#decision-making
Data-driven decision making with financial insights
O ReDAct executa um modelo pequeno por padrão e escala para um modelo caro apenas quando a perplexidade em nível de token sinaliza incerteza, alcançando 64% de economia de custos em relação ao uso apenas do GPT-5.2, mantendo ou superando sua precisão — um padrão diretamente aplicável para agentes de categorização de transações no Beancount.
InvestorBench: Qwen2.5-72B lidera negociação de ações com CR de 46,15%; Palmyra-Fin ajustada para finanças falha em ações—tamanho supera ajuste fino de domínio.
LATS (Language Agent Tree Search, ICML 2024) unifica ReAct, Tree of Thoughts, e Reflexion em um único framework MCTS, atingindo 92,7% pass@1 no HumanEval com GPT-4. Para ledgers Beancount versionados com git, o requisito de reversão de estado que limita o LATS em produção é trivialmente satisfeito.
O Tree of Thoughts (ToT) alcança 74% no Game of 24 vs 4% para o GPT-4 CoT padrão, organizando o raciocínio de LLM em uma árvore de busca ramificada com poda e backtracking — com implicações diretas para classificação financeira em múltiplas etapas e otimização fiscal em fluxos de trabalho do Beancount.
