あなたのエージェントはこれらの帳簿を一致させられますか？
1回のエージェント実行が3行の台帳を2958.50 USDの当座預金と1958.50 USDの9月利益に照合し、自ら診断した1件の失敗から回復した。
#plain-text-accounting
プレーンテキスト会計
LLMエージェントにおける不確実性を考慮したディフェラル：小規模モデルから大規模モデルへいつエスカレーションすべきか
ReDActはパープレキシティが不確実性を示す場合のみ小モデルから大モデルへ延期し、エージェントワークフローで同等精度を保ちコストを64%削減する。
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。
LLMによるBeancount DSL生成の正解率は2.3%：LLMFinLiteracyベンチマーク
LLMFinLiteracyは、5つの約7Bモデルが正しいBeancount取引を書けるのはわずか2.3%で、構文ではなく会計推論で失敗すると判明。
TableMaster：LLMを用いたテーブル理解のための適応的推論
TableMasterはGPT-4o-miniでWikiTQの78.13%を達成し、Chain-of-Tableを13ポイント上回る。table-of-focusと適応的推論により、Beancount台帳上のエージェントを実現。
τ²-bench：対話型AIエージェントにおけるデュアルコントロールのコストを測定する
τ²-benchは独自ツールを持つアクティブユーザーが会話エージェントの成功率を18〜25ポイント下げると判明。書き込み権限を共有するBeancountエージェントも同様に敗れる。
GAIAベンチマーク：最先端AIエージェントの真の実力を測定する
GAIAの466タスクで最先端AIエージェントは74.55%、人間は92%。レベル3の調整が依然として最も難しいギャップだ。
WorkArena：LLMウェブエージェントは実社会のエンタープライズ知識労働でどのように機能するか
WorkArenaの33のServiceNowタスクでGPT-4oは総合42.7%だがリストフィルタは0%。構造化UI操作が越えるべき壁だ。
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。
Chain-of-Table: LLM推論チェーンにおけるテーブルの進化
Chain-of-TableはWikiTQで67.31%、テキストのみのchain-of-thoughtは61.48%。4,000トークン超の表では10.25ポイントリードする。
TableLlama: 7Bのオープンモデルはテーブル理解においてGPT-4に匹敵するか？
TableLlamaは列型注釈でGPT-4に勝利（F1 94対32）するが、WikiTQの合成的推論では33ポイント劣る。
TAPAS: SQL不要の弱教師ありテーブルQA、そしてそれがBeancountに意味すること
TAPASはSQLを生成せずセルを選択して表の質問に答える。小規模なBeancount台帳クエリには適するが規模拡大で破綻する。