Gerente de marketing
O FiD codifica passagens recuperadas separadamente e as funde no decodificador, superando o RAG-Sequence em 4–11 pontos no NQ e TriviaQA, a síntese que o QA de ledger precisa.
O GuardAgent aplica políticas de agentes LLM executando código Python, atingindo 98,7% de precisão sem falhas de tarefa, contra 81% e até 71% de falha para regras em prompt.
O debate multiagente ganhou 14,8 pontos em aritmética, mas agentes únicos com orçamento igual o igualam, limitando seu uso como verificação segura.
Ablação do NeurIPS 2024: remover o LLM do Time-LLM e do CALF melhora a precisão, com treinamento até 1.383× mais rápido. Use modelos específicos para IA financeira.
O AuditCopilot reduz falsos positivos de fraude em lançamentos de 942 para 12, mas a ablação mostra que o LLM só sintetiza pontuações do Isolation Forest.
TAT-LLM ajusta o LLaMA 2 7B para 64,60% de EM no FinQA, à frente dos 63,91% do GPT-4: um pipeline extrair-raciocinar-executar faz a aritmética de tabelas.
O RAG atinge 0,875 de acurácia em fatos pós-corte, e o fine-tuning estagna em 0,504. Para agentes com atualizações frequentes, a recuperação vence.
O IRCoT adiciona +11,3 de recall e +7,1 de F1 no HotpotQA sobre o RAG de uma etapa ao consultar a recuperação em cada passo. Um modelo de 3B então supera o GPT-3 175B.
O FLARE atinge 51,0 EM no 2WikiMultihopQA contra 39,4 do RAG de recuperação única, mas falhas de calibração em modelos de chat o limitam para agentes financeiros.
Lewis et al. alcançaram 44,5 EM em Natural Questions com um índice FAISS congelado; para ledgers Beancount, isso significa reindexar ou errar quando os saldos mudam diariamente.
O MultiHiertt mostra que modelos atingem 38% F1 contra 87% de humanos em 10.440 pares de QA financeiro, com queda de 15 pontos em perguntas entre tabelas.
O melhor modelo do ConvFinQA alcança 68,9% de precisão de execução contra 89,4% dos especialistas humanos — uma lacuna de 21 pontos que o chat contábil de múltiplas etapas ainda enfrenta.
