Сможет ли ваш агент свести эти книги?
Один прогон агента свёл регистр из трёх строк к 2958.50 USD на расчётном счёте и 1958.50 USD сентябрьской прибыли, восстановившись после сбоя, который он сам диагностировал.
#reconciliation
Сверка
Автоматизированная сверка реестра с помощью агентов на языковых моделях
FinRAGBench-V: мультимодальный RAG с визуальными цитатами в финансовой сфере
FinRAGBench-V: лучшие модели дают лишь 20–61% полноты цитирования на уровне блоков на финансовых страницах. Мультимодальный поиск лучше текстового почти на 50 пунктов.
Могут ли LLM-агенты быть финансовыми директорами? 132-месячная симуляция EnterpriseArena выявляет огромный разрыв
Только Qwen3.5-9B выдерживает 80% из 132-месячных прогонов CFO в EnterpriseArena, а GPT-5.4 и DeepSeek-V3.1 достигают 0%. Причина сбоев — пропущенная сверка регистра.
FinMCP-Bench: Тестирование LLM-агентов для решения реальных финансовых задач с использованием инструментов в рамках протокола MCP
FinMCP-Bench: лучший из шести LLM даёт лишь 3,08% точных совпадений на 613 реальных финансовых задачах MCP — падение в 20 раз от одного инструмента к многошаговым.
Найдено посередине: калибровка позиционного смещения внимания улучшает RAG с длинным контекстом
Вычитание позиционного смещения из весов внимания LLM возвращает до 15 пунктов точности RAG, когда доказательства в середине контекста, помогая конвейерам финансовых агентов.
Fin-RATE: Как LLM терпят неудачу в кросс-периодном и кросс-субъектном финансовом анализе
Fin-RATE показывает, что точность LLM падает на 18,60% при лонгитюдном отслеживании, а узким местом является конвейер извлечения, а не модель.
Voyager: библиотеки навыков открывают в 3,3 раза больше предметов
Постоянная библиотека навыков кода Voyager обнаруживает в 3,3 раза больше предметов Minecraft, чем предыдущий SOTA без тонкой настройки — реестр повторного использования, необходимый агентам журнала.
AutoGen: Фреймворки многоагентного диалога для ИИ в финансах
Диалог двух агентов AutoGen повышает точность на MATH с 55% до 69%, а его агент SafeGuard добавляет до 35 баллов F1 в обнаружении небезопасного кода.
CodeAct: почему исполняемый код Python делает LLM-агентов на 20% точнее
CodeAct заменяет вызовы инструментов в JSON на исполняемый Python, повышая успех агента GPT-4 примерно на 20 пунктов и сокращая число шагов на 30%.
CRITIC: Почему самокоррекция LLM требует обратной связи от внешних инструментов
CRITIC повышает открытый QA на 7.7 F1 и снижает токсичность на 79.2%, проверяя правки LLM внешними инструментами, а не самой моделью.
ReAct: Синергия рассуждения и действия в языковых моделях
ReAct чередует рассуждение с действиями инструментов, превосходя чистый CoT на 34 пункта в проверке фактов. Его режимы отказа определяют агентов, пишущих в ledger Beancount.