Чи збалансує ваш агент ці книги?
Один запуск агента звірив леджер із трьох рядків до 2958.50 USD на рахунку checking і 1958.50 USD вересневого прибутку, відновившись після збою, який він сам діагностував.
#reconciliation
Звірка
Автоматизована звірка журналу за допомогою агентів мовних моделей
FinRAGBench-V: Мультимодальний RAG із візуальним цитуванням у фінансовій сфері
FinRAGBench-V: найкращі моделі сягають лише 20–61% recall цитат на рівні блоків на фінансових сторінках. Мультимодальний пошук випереджає текстовий майже на 50 пунктів.
Чи можуть LLM-агенти бути фінансовими директорами? 132-місячна симуляція EnterpriseArena виявляє великий розрив
Лише Qwen3.5-9B витримує 80% із 132 місяців CFO в EnterpriseArena, тоді як GPT-5.4 і DeepSeek-V3.1 дають 0%. Причина збоїв — пропущене звіряння реєстру.
FinMCP-Bench: Бенчмаркінг агентів LLM для реального використання фінансових інструментів під управлінням MCP
FinMCP-Bench оцінює найкращу з шести LLM лише в 3,08% точного збігу на 613 реальних фінансових задачах MCP — 20-кратний обвал від одного інструмента до багатокроковості.
Знайдено посередині: Калібрування позиційного зміщення уваги покращує RAG з довгим контекстом
Віднімання позиційного зсуву з ваг уваги LLM повертає до 15 пунктів точності RAG, коли доказ лежить у середині контексту, допомагаючи конвеєрам фінансових агентів.
Fin-RATE: Як LLM зазнають невдачі у міжперіодному та міжсуб'єктному фінансовому аналізі
Fin-RATE показує, що точність LLM обвалюється на 18,60% під час лонгітюдного відстеження, а вузьким місцем є конвеєр пошуку, а не модель.
Voyager: бібліотеки навичок відкривають у 3,3 раза більше предметів
Постійна бібліотека коду навичок Voyager виявляє у 3,3 раза більше предметів Minecraft, ніж попередні SOTA без тонкого налаштування—це реєстр патернів повторного використання, необхідний агентам обліку.
AutoGen: Фреймворки мультиагентної взаємодії для ШІ у фінансах
Двоагентна розмова AutoGen підвищує точність MATH з 55% до 69%, а його агент SafeGuard додає до 35 балів F1 у виявленні небезпечного коду.
CodeAct: Чому виконуваний код Python робить LLM-агентів на 20% точнішими
CodeAct замінює виклики інструментів JSON на виконуваний Python, підвищуючи успішність агента GPT-4 на ~20 пунктів і скорочуючи кількість кроків на 30%.
CRITIC: Чому самокорекція LLM потребує зворотного зв’язку від зовнішніх інструментів
CRITIC підвищує QA відкритого домену на 7,7 F1 і знижує токсичність на 79,2%, перевіряючи правки LLM зовнішніми інструментами, а не нею самою.
ReAct: Синергія міркування та дії в мовних моделях
ReAct чергує міркування з діями інструментів, перевершуючи чистий CoT на 34 пункти у перевірці фактів. Його режими відмов визначають агентів, що пишуть у реєстри Beancount.