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
ReDAct 仅在困惑度表明不确定时，才从小模型推迟到大模型，在保持准确率的同时将智能体工作流的成本降低 64%。
Mike Thrift
市场经理
OpenHands：AI 软件代理开放平台及其对财务自动化的意义
OpenHands 的 CodeAct 智能体在 SWE-Bench Lite 上得分 26%，展示了 AI 智能体如今可靠能做到什么。金融自动化应从严格限定范围开始，而非完全自主。
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
Fin-RATE 显示 LLM 在纵向追踪上的准确率骤降 18.60%，真正的瓶颈是检索流程，而非模型本身。
FinDER：真实分析师查询揭示金融 RAG 中 74% 的召回率差距
FinDER的5,703个真实分析师查询显示，顶级RAG仅召回10-K证据的25.95%。应先规范化缩写，再更换嵌入模型。
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
当答案位于上下文中段时，LLM 得分最多会低 20 分，因此金融 RAG 流程应把最佳段落放在最前或最后。
AD-LLM 基准测试：GPT-4o 在文本异常检测中零样本 AUROC 达到 0.93+
AD-LLM 发现 GPT-4o 在文本异常检测的零样本任务上达到 0.93–0.99 AUROC，但 LLM 模型选择对金融审计 AI 而言仍不可靠。
CausalTAD：用于大语言模型表格异常检测的因果列排序
CausalTAD 在 LLM 序列化前按因果依赖关系重排表格列，使平均 AUC-ROC 从 AnoLLM 的 0.803 提升到 0.834。
AnoLLM：针对金融数据表格式异常检测的 LLM 微调
AnoLLM 通过用 LLM 负对数似然为行打分，在混合类型欺诈数据上超越经典基线，但在纯数值表格上并未带来额外优势。
LLM 在 Beancount DSL 生成中得分仅为 2.3%：LLMFinLiteracy 基准测试
LLMFinLiteracy发现，五个约7B模型正确编写Beancount交易的比例仅为2.3%，失败在于会计推理而非语法。
TableMaster：基于大语言模型的表格理解自适应推理
TableMaster 搭配 GPT-4o-mini 在 WikiTQ 上达到 78.13%，比 Chain-of-Table 高 13 个百分点，其方法是面向 Beancount 账本智能体的关注表加自适应推理。
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
GPT-4 在 ODDS 零样本任务上达到 74.1 的平均 AUROC，接近 75.5 的 ECOD 基线，但在高方差数据上失败。账本审计尚未解决。
DocFinQA：基于完整 SEC 申报文件的长文本财务推理
DocFinQA 将 FinQA 的 700 词段落换成完整 SEC 文件，上下文长度增加到 175 倍，使 GPT-4 在长文档上的准确率几乎减半。