#decision-making
Data-driven decision making with financial insights
ReDAct draait standaard een klein model en escaleert pas naar een duur model wanneer perplexiteit op tokenniveau onzekerheid signaleert. Dit levert een kostenbesparing op van 64% ten opzichte van alleen GPT-5.2, terwijl de nauwkeurigheid gelijk blijft of zelfs wordt overtroffen — een direct toepasbaar patroon voor Beancount-agenten voor transactie-categorisering.
InvestorBench: Qwen2.5-72B leidt in aandelenhandel met 46,15% CR; op financiën afgestemde Palmyra-Fin werkt averechts op aandelen—grootte verslaat domein-finetuning.
LATS (Language Agent Tree Search, ICML 2024) verenigt ReAct, Tree of Thoughts, en Reflexion in één MCTS-framework en behaalt 92,7% pass@1 op HumanEval met GPT-4. Voor git-gebaseerde Beancount-grootboeken wordt de vereiste voor toestandsreversie die LATS in productie beperkt, triviaal vervuld.
Tree of Thoughts (ToT) behaalt 74% op Game of 24 tegenover 4% voor standaard GPT-4 CoT door LLM-redeneringen te organiseren in een vertakkende zoekboom met pruning en backtracking — met directe implicaties voor meerstaps financiële classificatie en belastingoptimalisatie in Beancount-workflows.
