#developers
Ресурси для розробників, API та документація інтеграції фінансових інструментів
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.
ShieldAgent дає 90,4% точності на атаках агентів і на 64,7% менше викликів API завдяки ймовірнісним схемам правил замість LLM-огорож.
RAG досягає точності 0.875 на фактах після граничної дати, тоді як донавчання зупиняється на 0.504. Для агентів, яким потрібні часті оновлення книг, пошук кращий за донавчання.
Retriever-Aware Training від Gorilla знижує галюцинації API LLM з 78% до 11%, роблячи виклики інструментів надійними для фінансових агентів.
Agent-Computer Interfaces від SWE-agent підняли GPT-4 Turbo з сирого shell до 12.47% на SWE-bench — приріст на 10.7 пункти лише завдяки дизайну інтерфейсу.
SWE-bench тестує мовні моделі на 2 294 реальних задачах GitHub; на момент публікації Claude 2 розв'язав лише 1,96%. Пошук і обмеження довжини патча визначають кодових агентів.
Toolformer навчає модель 6.7B викликати API через фільтрацію за перплексією, перевершуючи GPT-3 175B в арифметиці. Його одноетапна схема блокує ланцюгові виклики реєстру.
