LLM異常検知サーベイ (NAACL 2025)：強力な分類体系、欠如した表形式データへの対応
NAACL 2025の分類法は有効だが、表形式データの対象が欠けている。財務AIチームは視覚モデル手法を自ら適応させる必要がある。
#analytics
分析
Fin-RATE：LLMは期間横断および企業横断の財務分析にいかに失敗するか
Fin-RATEは、LLMの精度が経時追跡で18.60%に崩壊することを示す。制約となるボトルネックはモデルではなく検索パイプラインにある。
Lost in the Middle：LLMにおける位置バイアスと金融AIへの影響
LLMは答えが文脈の中間にあると最大20ポイント低くスコアリングするため、金融RAGパイプラインは最良の箇所を最初か最後に配置すべきだ。
AD-LLMベンチマーク：GPT-4oがテキスト異常検知においてゼロショットで0.93以上のAUROCを達成
AD-LLMはGPT-4oがテキスト異常検知でゼロショットAUROC 0.93〜0.99を達成するが、金融監査AIではLLMモデル選択が依然信頼できないと判明。
τ-bench: 実世界のツール使用ドメインにおけるAIエージェントの信頼性の測定
τ-benchはトップLLMが小売ツール使用タスクでpass@1 0.692からpass@4 0.462へ低下すると判明。台帳に書き戻すエージェントも同じ一貫性の崖に直面する。
ConvFinQA: モデルは専門家に21ポイント差で及ばず（68.9%）
ConvFinQAの最良モデルの実行精度は68.9%で、人間の専門家の89.4%に対して21ポイントの差があり、マルチターンの台帳チャットが直面する課題を示しています。
FinanceBench：ベクトルストアRAGが実際の財務書類で失敗する理由
FinanceBenchは実際のSEC提出書類の10,231問で16のAI構成を検証：共有ベクターストアRAGは19%しか正解せず、検索がボトルネックではないことがわかる。
自己整合性：多数決サンプリングによる思考連鎖の精度向上
自己一貫性は1回の貪欲デコードではなく多数のサンプリング推論経路を多数決し、追加訓練なしでGSM8Kで17.9ポイント向上させます。