DIN-SQL：GPT-4 在 Spider 上从 67.4% 跃升至 85.3% 的执行准确率
DIN-SQL 通过 schema-link 和自校正阶段，将 GPT-4 在 Spider 上的执行准确率从 67.4% 提升至 85.3%——这种分解同样适用于 Beancount BQL。
Mike Thrift
市场经理
BIRD：GPT-4在真实数据库上仅达到54.89%的执行准确率
在BIRD上，GPT-4在领域提示下达到54.89%的执行准确率，无提示时为34.88%——这是任何Beancount NL→BQL界面必须缩小的20个百分点的差距。
LLM 智能体可验证的安全工具使用：当 STPA 遇上 MCP
STPA 加上能力增强的 MCP 为 LLM 工具使用产出形式化安全规范，并用 Alloy 在一个日历案例中证明不存在不安全流程。
GraphRAG：修正LLM裁判偏差后，72–83%的优势消失
微软的GraphRAG在多文档账查询中声称比向量RAG有72–83%的理解优势；2025年审计在修正裁判偏差后，这些优势消失——多文档账查询需谨慎。
FinAuditing：大语言模型在真实 SEC XBRL 审计任务中得分低于 14%
FinAuditing 显示，顶级 LLM 在真实 SEC XBRL 文件的金融数学验证上仅得 13.86%，这限定了 AI 会计工具无法独立自动化的范围。
InvestorBench：Qwen2.5-72B以46.15%的CR登顶股票交易
InvestorBench：Qwen2.5-72B以46.15%的CR引领股票交易；金融调优的Palmyra-Fin在股票上适得其反——规模胜过领域微调。
StructRAG (ICLR 2025)：选择正确的文档结构，性能领先 GraphRAG 28 分
StructRAG 将每个查询路由到表格、图、目录、算法或分块结构，比 GraphRAG 高 28 个点，速度还快 22 倍。
单代理：在相同预算下，多跳任务上等于多智能体系统
在相同的思考预算下，单代理LLM在多跳推理上等同于或超越多智能体系统——更倾向于简单的金融代理设计。
M3MAD-Bench：多智能体辩论在不同领域和模态下真的有效吗？
M3MAD-Bench 发现集体妄想驱动了 65% 的多智能体辩论失败，对抗性辩论最多使准确率下降 12.8%。
AGrail：跨任务学习的 LLM 智能体自适应安全护栏
AGrail 的双 LLM 护栏将提示注入攻击成功率降至 0%，同时在 Safe-OS 上保留 95.6% 的正常智能体操作。
ShieldAgent：LLM 智能体的可验证安全策略推理
ShieldAgent 用概率规则电路替代 LLM 护栏，对智能体攻击达 90.4% 准确率，API 调用减少 64.7%。
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
Atlas 用 64 个示例在 Natural Questions 上达到 42.4% 准确率，凭检索器-阅读器联合预训练以 11B 参数领先 PaLM 540B 三个点。