# Výskumný denník

Otvorené experimenty a zistenia z Bean Labs — výskumnej iniciatívy Finance AI Agent od Beancount.io.

[Súčasť Bean Labs](https://beancount.io/sk/bean-labs) [Prehliadať podľa tagu](https://beancount.io/sk/bean-labs/research-logs/tags) [Zobraziť všetkých autorov](https://beancount.io/sk/bean-labs/research-logs/authors)

10\. septembra 2026 5 min čítania

## [Dokáže váš agent vyrovnať tieto knihy?](https://beancount.io/sk/bean-labs/research-logs/2026/09/10/can-your-agent-balance-these-books)

Jeden beh agenta zosúladil trojriadkovú knihu na 2958,50 USD bežný účet a 1958,50 USD septembrový zisk, pričom sa zotavil z jedného zlyhania, ktoré sám diagnostikoval.

Mike Thrift

agents llm beancount

12\. júla 2026 5 min čítania

## [FinRAGBench-V: Multimodálny RAG s vizuálnymi citáciami vo finančnej oblasti](https://beancount.io/sk/bean-labs/research-logs/2026/07/12/finragbench-v-multimodal-rag-visual-citation-financial-domain)

FinRAGBench-V zisťuje, že špičkové modely dosahujú len 20 – 61 % citovania blokov na finančných stránkach. Multimodálne vyhľadávanie prekonáva textové o takmer 50 bodov.

Mike Thrift

ai llm machine-learning

11\. júla 2026 6 min čítania

## [Môžu byť LLM agenti finančnými riaditeľmi? 132-mesačná simulácia EnterpriseArena odhaľuje veľkú priepasť](https://beancount.io/sk/bean-labs/research-logs/2026/07/11/can-llm-agents-be-cfos-enterprisearena-resource-allocation-benchmark)

Len Qwen3.5-9B prežije 80 % zo 132-mesačných CFO behov EnterpriseArena, kým GPT-5.4 a DeepSeek-V3.1 dosahujú 0 %. Príčinou zlyhaní je vynechané odsúhlasenie hlavnej knihy.

Mike Thrift

ai llm automation

10\. júla 2026 6 min čítania

## [WildToolBench: Prečo žiadne LLM neprekračuje 15 % presnosť relácie pri používaní nástrojov v reálnom svete](https://beancount.io/sk/bean-labs/research-logs/2026/07/10/wildtoolbench-benchmarking-llm-tool-use-in-the-wild)

WildToolBench: žiadne LLM neprekročí 15 % presnosti relácie na 1 024 úlohách reálnych používateľov, pričom skrytý zámer a prechody inštrukcií sú najostrejšie zlyhania.

Mike Thrift

ai llm automation

9\. júla 2026 6 min čítania

## [Istota a kalibrácia LLM: Prehľad toho, čo výskum v skutočnosti ukazuje](https://beancount.io/sk/bean-labs/research-logs/2026/07/09/confidence-estimation-calibration-llms-survey)

Verbalizovaná dôvera GPT-4 dosahuje len \~62,7 % AUROC, sotva nad úrovňou náhody. Finanční agenti vnímajúci neistotu potrebujú lepšiu kalibráciu.

Mike Thrift

llm ai machine-learning

8\. júla 2026 6 min čítania

## [JSONSchemaBench: Komplexita schém v reálnom svete narúša garancie štruktúrovaného výstupu LLM](https://beancount.io/sk/bean-labs/research-logs/2026/07/08/jsonschemabench-structured-outputs-language-models)

JSONSchemaBench zisťuje, že pokrytie klesá z 86 % pri jednoduchých schémach na 3 % pri zložitých, takže štruktúrovaný výstup LLM môže ticho vytvoriť nevyhovujúci JSON.

Mike Thrift

llm ai machine-learning

7\. júla 2026 5 min čítania

## [FinMCP-Bench: Benchmarking agentov LLM pre používanie finančných nástrojov v reálnom svete pod protokolom MCP](https://beancount.io/sk/bean-labs/research-logs/2026/07/07/finmcp-bench-llm-agents-financial-tool-use-model-context-protocol)

FinMCP-Bench dáva najlepšiemu zo šiestich LLM len 3,08 % presnej zhody na 613 reálnych finančných úlohách MCP, teda 20-násobný prepad pri viackolovom použití.

Mike Thrift

ai llm automation

6\. júla 2026 5 min čítania

## [FinTrace: Hodnotenie volania nástrojov LLM pre finančné úlohy na úrovni trajektórie](https://beancount.io/sk/bean-labs/research-logs/2026/07/06/fintrace-trajectory-level-evaluation-llm-tool-calling-financial-tasks)

FinTrace ukazuje, že špičkové LLM vyberú správne finančné nástroje (F1 \~0,9), ale v použití výsledkov dosahujú len 3,23/5, čo je krok, ktorý láme agentov zapisujúcich späť.

Mike Thrift

llm ai finance

5\. júla 2026 5 min čítania

## [FinToolBench: Hodnotenie LLM agentov na reálnych finančných nástrojoch](https://beancount.io/sk/bean-labs/research-logs/2026/07/05/fintoolbench-evaluating-llm-agents-real-world-financial-tool-use)

FinToolBench zisťuje nesúlad zámeru nad 50 % u každého testovaného LLM, takže agresívne volanie nástrojov neznamená lepšie odpovede na finančné úlohy.

Mike Thrift

ai llm automation

4\. júla 2026 5 min čítania

## [OmniEval: Všesmerový benchmark pre hodnotenie RAG vo finančnej oblasti](https://beancount.io/sk/bean-labs/research-logs/2026/07/04/omnieval-omnidirectional-automatic-rag-evaluation-financial-domain)

OmniEval hodnotí najlepšie RAG systémy na 36 % numerickej presnosti v 5 typoch finančných úloh, takže agenti pre hlavnú knihu potrebujú validáciu pred zápisom položiek.

Mike Thrift

ai machine-learning llm

3\. júla 2026 5 min čítania

## [Prehľad detekcie anomálií pomocou LLM (NAACL 2025): Silná taxonómia, chýbajúce pokrytie tabuľkových dát](https://beancount.io/sk/bean-labs/research-logs/2026/07/03/llm-anomaly-ood-detection-survey)

Taxonómia z NAACL 2025 platí, ale pokrytie tabuliek chýba. Tímy finančnej AI si musia metódy pre vizuálne modely prispôsobiť samy.

Mike Thrift

ai llm machine-learning

2\. júla 2026 6 min čítania

## [Nájdené v strede: Kalibrácia predpojatosti pozičnej pozornosti zlepšuje RAG s dlhým kontextom](https://beancount.io/sk/bean-labs/research-logs/2026/07/02/found-in-the-middle-calibrating-positional-attention-bias)

Odčítanie pozičnej odchýlky z váh pozornosti LLM obnoví až 15 bodov presnosti RAG, keď dôkaz leží uprostred kontextu, čo pomáha pipeline finančných agentov.

Mike Thrift

ai llm machine-learning

[Začať zadarmo→](https://beancount.io/sign-up/?next=%2Fledger%2F) [Dokumentácia](https://beancount.io/sk/docs)

## Where to look next

- [Sitemap](https://beancount.io/sitemap.xml) - all pages with hreflang alternates
- [LLMs index](https://beancount.io/llms.txt) - curated links for AI agents (also /llms-full.txt for full docs)
- [Documentation](https://beancount.io/docs) - every doc is also available as text/markdown via .md suffix or Accept negotiation
- [REST API reference](https://beancount.io/docs/api-reference) - interactive endpoints, schemas, authentication, and code samples
- [OpenAPI spec](https://beancount.io/openapi.json) - OpenAPI 3.1 spec for this website's public content endpoints; the product contract for ledger operations is at https://beancount.io/api-gateway/v1/openapi.json
- [GraphQL](https://beancount.io/graphql) - public, read-only content API over the blog and research logs (no credentials, no ledger data): 12 query fields over 23 types
- [MCP server](https://beancount.io/mcp) - Model Context Protocol at https://beancount.io/api-gateway/mcp
