Dokáže váš agent vyrovnať tieto knihy?
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.
#reconciliation
Odsúhlasenie
Automatizované zosúlaďovanie účtovnej knihy pomocou agentov jazykových modelov
FinRAGBench-V: Multimodálny RAG s vizuálnymi citáciami vo finančnej oblasti
FinRAGBench-V zisťuje, že špičkové modely dosahujú len 20 – 61 % citovania blokov na finančných stránkach. Multimodálne vyhľadávanie prekonáva textové o takmer 50 bodov.
Môžu byť LLM agenti finančnými riaditeľmi? 132-mesačná simulácia EnterpriseArena odhaľuje veľkú priepasť
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.
FinMCP-Bench: Benchmarking agentov LLM pre používanie finančných nástrojov v reálnom svete pod protokolom MCP
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.
Nájdené v strede: Kalibrácia predpojatosti pozičnej pozornosti zlepšuje RAG s dlhým kontextom
Odčítanie pozičnej odchýlky z váh pozornosti LLM obnoví až 15 bodov presnosti RAG, keď dôkaz leží uprostred kontextu, čo pomáha pipeline finančných agentov.
Fin-RATE: Ako LLM zlyhávajú pri finančnej analýze medzi obdobiami a entitami
Fin-RATE ukazuje pokles presnosti LLM o 18,60 % pri longitudinálnom sledovaní, pričom úzkym miestom je retrieval pipeline, nie model.
Voyager: knižnica zručností odomyká 3,3× väčšie objavovanie predmetov
Pretrvávajúca knižnica zručností Voyageru objavuje 3,3× viac predmetov z Minecraftu ako predchádzajúci SOTA bez doladenia — vzor, ktorý účtovní agenti potrebujú.
AutoGen: Viacagentové konverzačné rámce pre finančnú AI
Dvojagentová konverzácia AutoGen zvyšuje presnosť MATH z 55 % na 69 % a jeho SafeGuard agent pridáva až 35 F1 bodov pri detekcii nebezpečného kódu.
CodeAct: Prečo spustiteľný Python kód robí LLM agentov o 20 % presnejšími
CodeAct nahrádza JSON volania nástrojov spustiteľným Pythonom, čím zvyšuje úspešnosť GPT-4 agenta o ~20 bodov a znižuje počet krokov o 30 %.
CRITIC: Prečo samooprava LLM vyžaduje spätnú väzbu od externých nástrojov
CRITIC zvyšuje open-domain QA o 7,7 F1 a znižuje toxicitu o 79,2 % overovaním revízií LLM voči externým nástrojom, nie voči sebe samému.
ReAct: Synergia uvažovania a konania v jazykových modeloch
ReAct prelína uvažovanie s akciami nástrojov a prekonáva čistý CoT o 34 bodov pri overovaní faktov. Jeho režimy zlyhania formujú agentov zapisujúcich do Beancount ledgerov.