#decision-making
Data-driven decision making with financial insights
ReDAct за замовчуванням запускає малу модель і переходить до дорогої лише тоді, коли перплексія на рівні токенів сигналізує про невизначеність, досягаючи 64% економії коштів порівняно з використанням лише GPT-5.2 при відповідній або вищій точності — це патерн, що безпосередньо застосовується для агентів категоризації транзакцій Beancount.
InvestorBench: Qwen2.5-72B лідирує в торгівлі акціями з CR 46,15%; фінансово налаштована Palmyra-Fin дає збій на акціях — розмір перемагає доменне налаштування.
LATS (Language Agent Tree Search, ICML 2024) об'єднує ReAct, Tree of Thoughts та Reflexion в єдиний MCTS-фреймворк, досягаючи 92.7% pass@1 на HumanEval з GPT-4. Для git-бекеджих Beancount-бухгалтерських книг вимога відновлення стану, яка обмежує LATS у продакшені, тривіально задовольняється.
Tree of Thoughts (ToT) досягає 74% у «Грі 24» проти 4% у стандартному GPT-4 CoT шляхом організації міркувань LLM у дерево пошуку з розгалуженням, відсіканням та поверненням назад — це має прямі наслідки для багатоетапної фінансової класифікації та оптимізації податків у робочих процесах Beancount.
