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。
#reconciliation
照合
FinRAGBench-V：金融領域における視覚的引用を伴うマルチモーダルRAG
FinRAGBench-Vは、最高モデルでも財務ページのブロック単位引用再現率が20〜61%にとどまると判明。マルチモーダル検索はテキストのみを50ポイント近く上回る。
LLMエージェントはCFOになれるのか？EnterpriseArenaによる132ヶ月のシミュレーションで明らかになった大きな格差
EnterpriseArenaの132ヶ月CFO実行で80%生き残ったのはQwen3.5-9Bのみ。GPT-5.4とDeepSeek-V3.1は0%だった。台帳照合の省略が失敗の原因だ。
FinMCP-Bench: MCP下での実世界の金融ツール利用に向けたLLMエージェントのベンチマーク
FinMCP-Benchは6つのLLMの最高が613件の実MCP財務タスクで完全一致わずか3.08%と評価。単一ツールからマルチターンで20倍の崩壊だ。
Found in the Middle: 位置的アテンションバイアスの校正によるロングコンテキストRAGの改善
LLMの注意重みから位置バイアスを差し引くと、根拠が文脈中間にある場合にRAG精度が最大15ポイント回復し、財務エージェントのパイプラインを支援する。
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。
Voyager: スキルライブラリがアイテム発見を3.3倍に拡大
Voyagerの永続的なコードスキルライブラリは、微調整なしで既存のSOTAよりも3.3倍多くのMinecraftアイテムを発見——再利用パターンの台帳エージェントが必要とするもの。
AutoGen: 金融AIのためのマルチエージェント対話フレームワーク
AutoGenの2エージェント会話はMATH精度を55%から69%に引き上げ、SafeGuardエージェントは安全でないコードの検出で最大35 F1ポイントを追加する。
CodeAct: 実行可能なPythonコードがLLMエージェントの精度を20%向上させる理由
CodeActはJSONツール呼び出しを実行可能なPythonに置き換え、GPT-4エージェントの成功率を約20ポイント上げ、ターン数を30%削減します。
CRITIC：なぜLLMの自己修正には外部ツールのフィードバックが必要なのか
CRITICはLLMの修正を自身ではなく外部ツールで検証し、オープンドメインQAを7.7 F1向上、有害性を79.2%削減します。
ReAct：言語モデルにおける推論と行動の相乗効果
ReActは推論とツール操作を交互に行い、事実検証で純粋なCoTを34ポイント上回ります。その失敗モードがBeancount台帳に書き込むエージェントを形作ります。