Менеджер з маркетингу
ReDAct делегує від малої моделі до великої лише коли перплексія сигналізує про невизначеність, скорочуючи витрати на 64% за тієї ж точності для агентних робочих процесів.
Агент CodeAct від OpenHands набирає 26% на SWE-Bench Lite, показуючи, що AI-агенти надійно роблять сьогодні. Фінансову автоматизацію варто починати вузько, не з автономії.
Fin-RATE показує, що точність LLM обвалюється на 18,60% під час лонгітюдного відстеження, а вузьким місцем є конвеєр пошуку, а не модель.
5 703 реальні запити аналітиків у FinDER показують: найкращий RAG відтворює лише 25,95% доказів із 10-K. Спершу нормалізуйте абревіатури, а вже потім міняйте ембединги.
LLM набирають до 20 балів менше, коли відповідь міститься в середині контексту, тож фінансові RAG-конвеєри мають розміщувати найкращі уривки першими або останніми.
AD-LLM виявляє, що GPT-4o досягає 0,93–0,99 AUROC у zero-shot для виявлення текстових аномалій, але вибір моделі LLM залишається ненадійним для ШІ фінансового аудиту.
CausalTAD перевпорядковує стовпці таблиці за причинно-наслідковою залежністю перед серіалізацією LLM, підвищуючи середній AUC-ROC з 0,803 до 0,834 порівняно з AnoLLM.
AnoLLM перевершує класичні методи на змішаних даних про шахрайство, оцінюючи рядки через негативну логправдоподібність LLM, але не дає переваги на суто числових таблицях.
LLMFinLiteracy: п'ять моделей ~7B пишуть правильні проводки Beancount лише у 2,3% випадків, помиляючись у бухгалтерських міркуваннях, а не в синтаксисі.
TableMaster досягає 78,13% на WikiTQ з GPT-4o-mini, на 13 балів більше за Chain-of-Table, через table-of-focus та адаптивне міркування для агентів над журналами Beancount.
GPT-4 досягає 74.1 середнього AUROC на ODDS zero-shot, близько до базової лінії ECOD 75.5, але зазнає невдачі на даних із високою дисперсією. Аудит реєстру ще не розв'язано.
DocFinQA замінює 700-слівні уривки FinQA на повні звіти SEC — у 175 разів довший контекст, що майже вдвічі знижує точність GPT-4 на довгих документах.
