OpenHands：AIソフトウェアエージェントのためのオープンプラットフォームと、それが財務自動化に意味すること
OpenHandsのCodeActエージェントはSWE-Bench Liteで26%を記録し、AIエージェントが今日確実にできることを示す。財務自動化は自律型ではなく、狭い範囲から始めるべきだ。
#developers
開発者
ShieldAgent: LLMエージェントのための検証可能な安全ポリシー推論
ShieldAgentはLLMガードレールの代わりに確率的ルール回路を用いて、エージェント攻撃で90.4%の精度を達成し、API呼び出しを64.7%削減する。
ファインチューニング vs. RAG：LLMへの新しい知識の注入において検索が勝る理由
カットオフ後の事実でRAGは精度0.875、ファインチューニングは0.504で頭打ち。頻繁な台帳更新が必要なエージェントには検索が勝る。
Gorilla: 検索を意識した学習（RAT）により、LLMのAPIハルシネーションを78%から11%に低減する方法
GorillaのRetriever-Aware TrainingはLLM API幻覚率を78%から11%に削減し、仕訳を書き込む財務エージェントに十分な信頼性をもたらします。
SWE-agent: インターフェース設計がいかに自動化ソフトウェアエンジニアリングを解禁するか
SWE-agentのAgent-Computer InterfacesはGPT-4 Turboを生のシェルからSWE-benchで12.47%に引き上げ、インターフェース設計だけで10.7ポイントの向上をもたらしました。
SWE-bench: 言語モデルは現実世界のGitHubの問題を解決できるか？
SWE-benchは2,294件の実GitHubイシューで言語モデルをテスト。公開時、Claude 2はわずか1.96%しか解決できませんでした。検索とパッチ長の限界がコーディングエージェントを形作ります。
Toolformer：自己教師ありツールの利用とその金融AIにおける限界
Toolformerはperplexityフィルタリングで6.7BモデルにAPI呼び出しを学習させ、算術でGPT-3 175Bを上回ります。しかし単一ステップ設計のため、台帳呼び出しの連鎖はできません。