Kan jouw agent deze boeken sluitend krijgen?
Eén agent-run stemde een grootboek met drie regels af op 2958,50 USD checking en 1958,50 USD septemberwinst, herstellend van één fout die hij zelf diagnosticeerde.
#reconciliation
Afstemming
Geautomatiseerde grootboekreconciliatie met taalmo-delagenten
FinRAGBench-V: Multimodale RAG met visuele citaten in het financiële domein
FinRAGBench-V vindt dat topmodellen slechts 20–61% block-level citatie-recall halen op financiële pagina's. Multimodale retrieval verslaat tekst-only met bijna 50 punten.
Kunnen LLM-agents CFO's zijn? EnterpriseArena's 132-maanden simulatie onthult een grote kloof
Alleen Qwen3.5-9B overleeft 80% van EnterpriseArena's 132-maandelijkse CFO-runs; GPT-5.4 en DeepSeek-V3.1 halen 0%. Gemiste ledger-reconciliatie veroorzaakt dit.
FinMCP-Bench: Benchmarking van LLM-agenten voor financieel toolgebruik in de praktijk onder MCP
FinMCP-Bench scoort de beste van zes LLM's op slechts 3,08% exacte match op 613 echte MCP-financiële taken, een 20×-instorting van single-tool naar multi-turn gebruik.
Gevonden in het midden: Kalibreren van positionele aandachts-bias verbetert RAG met lange context
Positiebias aftrekken van LLM-attentiegewichten herstelt tot 15 punten RAG-nauwkeurigheid wanneer bewijs midden in de context staat, wat finance-agent-pijplijnen helpt.
Fin-RATE: Hoe LLM's falen bij financiële analyse over verschillende perioden en entiteiten
Fin-RATE toont dat LLM-nauwkeurigheid instort naar 18,60% bij longitudinale tracking, waarbij de retrieval-pijplijn, niet het model, de knellende bottleneck is.
Voyager: vaardigheidsbibliotheken ontsluiten 3,3× meer itemontdekking
Voyager's aanhoudende codevaardigheidsbibliotheek ontdekt 3,3× meer Minecraft-items dan eerdere SOTA zonder fine-tuning—het hergebruikpatroon dat ledger-agenten nodig hebben.
AutoGen: Multi-Agent Conversatie-frameworks voor Financiële AI
De twee-agentgesprekken van AutoGen verhogen de MATH-nauwkeurigheid van 55% naar 69%, en de SafeGuard-agent voegt tot 35 F1-punten toe bij het detecteren van onveilige code.
CodeAct: Waarom uitvoerbare Python-code LLM-agents 20% nauwkeuriger maakt
CodeAct vervangt JSON-toolaanroepen door uitvoerbare Python, verhoogt het succes van GPT-4-agents met ~20 punten en vermindert beurten met 30%.
CRITIC: Waarom LLM-zelfcorrectie feedback van externe tools vereist
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.
ReAct: Synergie tussen redeneren en handelen in taalmodellen
ReAct verweeft redeneren met toolacties en verslaat pure CoT met 34 punten op feitverificatie. De faalmodi ervan vormen agents die naar Beancount-grootboeken schrijven.