Marketingmanager
MemGPT's besturingssysteem-achtige geheugenniveaus verhogen de nauwkeurigheid van GPT-4 multi-sessiechat naar 92,5% versus 32,1% vaste context—noodzakelijk voor meerjarige grootboekagenten.
SWE-agent's Agent-Computer Interfaces verhoogden GPT-4 Turbo van ruwe shell naar 12,47% op SWE-bench, een winst van 10,7 punten enkel door interfacedesign.
SWE-bench test taalmodellen op 2.294 echte GitHub-issues; bij publicatie loste Claude 2 slechts 1,96% op. Retrieval- en patchlengtelimieten vormen coding-agents.
CodeAct vervangt JSON-toolaanroepen door uitvoerbare Python, verhoogt het succes van GPT-4-agents met ~20 punten en vermindert beurten met 30%.
Huang et al. (ICLR 2024): intrinsieke zelfcorrectie verlaagt GPT-4 van 95,5% naar 91,5% op GSM8K—ledger-agenten hebben externe validators nodig, geen zelfbeoordeling.
Tree of Thoughts haalt 74% op Game of 24 waar GPT-4 chain-of-thought 4% haalt, door te zoeken en terug te traceren over stappen, een patroon dat finance-agents kunnen lenen.
CRITIC verhoogt open-domain QA met 7,7 F1 en verlaagt toxiciteit met 79,2% door LLM-revisies te verifiëren tegen externe tools, niet tegen zichzelf.
Reflexion haalt 91% op HumanEval met GPT-4 zonder gewichtsaanpassingen, maar faalt op WebShop. Verbale versterking vereist een scherp evaluatorsignaal.
Self-consistency laat vele gesamplede redeneerpaden per meerderheidsstemming beslissen in plaats van één greedy decode, wat 17,9 punten toevoegt op GSM8K zonder extra training.
PAL boekt +38,1pp winst ten opzichte van chain-of-thought op GSM-hard door rekenen aan Python over te laten—de juiste verdeling voor betrouwbare Beancount-boekhoudberekeningen.
Vier benchmarks tonen GPT-4 op 42% bij echte tabel-QA tegenover 86% voor mensen, en 19,6% bij complexe aggregaties, dus finance-agents hebben schone tabelinvoer nodig.
Constitutional AI vervangt handmatig gelabelde schadedata door AI-feedback, zodat accounting-agents grootboekregels kunnen handhaven zonder reviewer per transactie.
