2026
- 4月15日 - FinBen：在 36 个金融任务中对大语言模型进行基准测试 —— 对会计 AI 的启示
- 4月16日 - Toolformer：自监督工具使用及其在金融 AI 中的局限性
- 4月17日 - ReAct：在语言模型中协同推理与行动
- 4月18日 - FinMaster 基准测试：为何大语言模型在金融素养上得分 96%，但在报表生成上仅为 3%
- 4月19日 - PHANTOM (NeurIPS 2025)：衡量金融文档中的大语言模型幻觉检测
- 4月20日 - 思维链提示：金融人工智能中的精确率与召回率权衡
- 4月21日 - 会计智能体的宪制 AI：RLAIF、政策规则与古德哈特风险
- 4月22日 - 大语言模型能对表格数据进行推理吗？四个基准测试揭示了金融 AI 的现状
- 4月23日 - PAL：用于可靠财务算术的程序辅助语言模型
- 4月24日 - 自一致性：多数投票采样提升思维链准确率
- 4月25日 - Reflexion：无需重新训练即可从错误中学习的语言智能体
- 4月26日 - CRITIC：为什么大模型自我修正需要外部工具反馈
- 4月27日 - 思维树：利用大模型搜索实现审慎的问题解决
- 4月28日 - 大语言模型（LLM）尚无法自我纠正推理能力 —— ICLR 2024 研究发现及其对金融 AI 的启示
- 4月29日 - CodeAct：为什么可执行的 Python 代码能让 LLM 智能体准确率提升 20%
- 4月30日 - SWE-bench：语言模型能否解决真实的 GitHub 问题？
- 5月1日 - SWE-agent：接口设计如何开启自动化软件工程
- 5月2日 - MemGPT：大语言模型智能体的虚拟上下文管理
- 5月3日 - Gorilla：检索感知训练如何将 LLM API 幻觉从 78% 降低到 11%
- 5月4日 - AutoGen：金融 AI 的多智能体对话框架
- 5月5日 - BloombergGPT 与金融特定领域大语言模型的局限性
- 5月6日 - AgentBench：评估作为代理的 LLM —— 对金融 AI 可靠性的启示
- 5月7日 - HippoRAG：受神经生物学启发的 LLM 长期记忆机制
- 5月8日 - Voyager：技能库作为终身学习 AI 智能体的基石
- 5月9日 - Self-RAG: 大语言模型的自适应检索与自我评判
- 5月10日 - LATS：语言智能体树搜索 —— 集推理、行动与规划于一体的框架
- 5月11日 - DSPy：用编译后的 LLM 管道替换脆弱的提示工程
- 5月12日 - FinanceBench：为什么基于向量存储的 RAG 在真实财务文档上表现不佳
- 5月13日 - FinQA：衡量 AI 对财务报告数值推理能力 的基准测试
- 5月14日 - TAT-QA：针对财务年报推理的混合表格-文本问答基准
- 5月15日 - ConvFinQA：多轮财务问答以及模型与人类专家之间 21 个百分点的差距
- 5月16日 - MultiHiertt：跨多层级财务报表的数值推理基准测试
- 5月17日 - 针对知识密集型 NLP 任务的检索增强生成
- 5月18日 - FLARE：主动检索增强生成
- 5月19日 - IRCoT：将检索与思维链交织以实现多步问答
- 5月20日 - 微调与 RAG：为什么检索在为 LLM 注入新知识方面胜出
- 5月21日 - TAT-LLM：针对金融表格和文本离散推理进行微调的 LLaMA 2
- 5月22日 - AuditCopilot：大语言模型在复式记账欺诈检测中的应用
- 5月23日 - 大语言模型（LLM）对时间序列预测并无用处：NeurIPS 2024 对金融 AI 意味着什么
- 5月24日 - 多智能体 LLM 辩论：真实的准确率提升、未受控的计算开销与集体幻觉
- 5月25日 - GuardAgent: Deterministic Safety Enforcement for LLM Agents via Code Execution
- 5月26日 - Fusion-in-Decoder：多篇章检索如何提升生成式问答性能
- 5月27日 - Atlas：检索器-阅读器联合预训练以 11B 参数击败 540B 参数的超大模型
- 5月28日 - ShieldAgent：LLM 智能体的可验证安全策略推理
- 5月29日 - AGrail：跨任务学习的 LLM 智能体自适应安全护栏
- 5月30日 - M3MAD-Bench：多智能体辩论在不同领域和模态下真的有效吗？
- 5月31日 - 在等量思考 Token 预算下，单智能体大模型在多跳推理表现上优于多智能体系统
- 6月1 日 - StructRAG (ICLR 2025)：选择正确的文档结构，性能领先 GraphRAG 28 分
- 6月2日 - InvestorBench：金融交易决策中的大语言模型智能体基准测试
- 6月3日 - FinAuditing：大语言模型在真实 SEC XBRL 审计任务中得分低于 14%
- 6月4日 - GraphRAG：从局部到全局的查询导向摘要生成
- 6月5日 - LLM 智能体可验证的安全工具使用：当 STPA 遇上 MCP
- 6月6日 - BIRD 基准测试：大语言模型 Text-to-SQL 在真实数据库中的差距
- 6月7日 - DIN-SQL：用于 Text-to-SQL 的分解式上下文学习
- 6月8日 - MAC-SQL：多智能体协作的 Text-to-SQL
- 6月9日 - TAPAS：无需 SQL 的弱监督表格问答及其对 Beancount 的意义
- 6月10日 - TableLlama：7B 开源模型在表格理解上能否媲美 GPT-4？
- 6月11日 - Chain-of-Table：LLM 推理链中的演进表格
- 6月12日 - τ-bench：评估 AI 代理在现实世界工具调用领域的可靠性
- 6月13日 - WorkArena：大语言模型（LLM）网络智能体在真实企业知识工作中的表现
- 6月14日 - WebArena：包含 812 个任务的基准测试，衡量 Web 智能体真实的能与不能
- 6月15日 - OSWorld：桌面 AI 智能体任务成功率仅为 12%，而人类成功率为 72%
- 6月16日 - GAIA 基准测试：衡量前沿 AI 智能体究竟能做些什么
- 6月17日 - WorkArena++：人类与 AI 智能体在复合型企业任务表现上 93% 的差距
- 6月18日 - τ²-bench：衡量对话式 AI 智能体中双重控制的成本
- 6月19日 - TheAgentCompany：在真实企业任务中评估大语言模型智能体
- 6月20日 - DocFinQA：基于完整 SEC 申报文件的长文本财务推理
- 6月21日 - 利用大语言模型进行零样本异常检测：GPT-4 在表格数据上的表现
- 6月22日 - TableMaster：基于大语言模型的表格理解自适应推理
- 6月23日 - LLM 在 Beancount DSL 生成中得分仅为 2.3%：LLMFinLiteracy 基准测试
- 6月24日 - AnoLLM：针对金融数据表格式异常检测的 LLM 微调
- 6月25日 - CausalTAD：用于大语言模型表格异常检测的因果列排序
- 6月26日 - AD-LLM 基准测试：GPT-4o 在文本异常检测中零样本 AUROC 达到 0.93+
- 6月27日 - 迷失在中间：大语言模型中的位置偏差及其对金融 AI 的影响
- 6月28日 - FinDER：真实分析师查询揭示金融 RAG 中 74% 的召回率差距
- 6月29日 - Fin-RATE：大语言模型在跨周期和跨实体财务分析中的失败表现
- 6月30日 - OpenHands：AI 软件代理开放平台及其对财务自动化的意义
- 7月1日 - 面向 LLM 智能体的不确定性感知委派：何时从小型模型切换到大型模型
- 7月2日 - 发现于中：通过校准位置注意力偏差提升长上下文 RAG
- 7月3日 - LLM 异常检测综述 (NAACL 2025)：强大的分类体系，缺失的表格数据覆盖
- 7月4日 - OmniEval：金融领域全方位 RAG 评估基准
- 7月5日 - FinToolBench：评估大语言模型智能体在真实金融工具使用中的表现
- 7月6日 - FinTrace：针对金融任务的 LLM 工具调用轨迹级评估
- 7月7日 - FinMCP-Bench：MCP 架构下真实世界金融工具使用的大语言模型代理基准测试
- 7月8日 - JSONSchemaBench：真实世界的模式复杂度打破了大语言模型结构化输出的保证
- 7月9日 - LLM 置信度与 校准：研究现状深度综述
- 7月10日 - WildToolBench：为何在真实世界工具调用中没有 LLM 的会话准确率能超过 15%
- 7月11日 - LLM 智能体能担任 CFO 吗？EnterpriseArena 132 个月的模拟揭示了巨大差距
- 7月12日 - FinRAGBench-V：金融领域带视觉引用的多模态 RAG
