Fusion-in-Decoder：多篇章检索如何提升生成式问答性能
FiD 单独编码检索到的段落并在解码器中融合，在 NQ 和 TriviaQA 上比 RAG-Sequence 高 4–11 分，这正是账本问答所需的合成账本能力。
Mike Thrift
市场经理
GuardAgent: Deterministic Safety Enforcement for LLM Agents via Code Execution
GuardAgent enforces LLM agent policies by running Python code, hitting 98.7% accuracy with no task failures, versus 81% and up to 71% failure for prompt rules.
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
多智能体辩论在算术上提升 14.8 分，但同等算力的单一智能体也能达到。这限制了辩论作为账本提交前安全检查的作用。
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
NeurIPS 2024 消融实验：从 Time-LLM 和 CALF 中去掉 LLM 反而提升准确率，训练速度最多快 1,383 倍。金融 AI 应使用专用模型。
AuditCopilot：大语言模型在复式记账欺诈检测中的应用
AuditCopilot 将日记账分录欺诈误报从 942 降至 12，但消融实验显示 LLM 主要在综合 Isolation Forest 的分数。
TAT-LLM：微调7B LLaMA 2在金融问答上超越GPT-4
TAT-LLM将LLaMA 2 7B微调至FinQA上64.60%的EM，略胜GPT-4的63.91%：提取-推理-执行流水线让小模型完成表格算术。
微调与 RAG：为什么检索在为 LLM 注入新知识方面胜出
RAG 对训练截止后的事实达 0.875 准确率，微调则停在 0.504。对需频繁更新账本的智能体，检索胜过微调。
IRCoT：将检索与思维链交织以实现多步问答
IRCoT 在每一步推理都发起检索查询，在 HotpotQA 上比一步式 RAG 提升 +11.3 召回率和 +7.1 F1。一个 3B 模型因此能胜过 GPT-3 175B。
FLARE：主动检索增强生成
FLARE 在 2WikiMultihopQA 上达到 51.0 EM，而单次检索 RAG 只有 39.4，但聊天模型的校准失败限制了它用于金融智能体。
RAG：NQ 上 44.5 EM —— 以及为何账本索引会过期
Lewis 等人使用冻结的 FAISS 索引在 Natural Questions 上达到 44.5 EM；对于 Beancount 账本，这意味着当余额每日变化时，要么重新索引，要么错过。
MultiHiertt：跨多层级财务报表的数值推理基准测试
MultiHiertt 显示模型在 10,440 个财务问答对上 F1 为 38%，人类为 87%，跨表格问题上再降 15 个点。
ConvFinQA：模型落后专家21个百分点（68.9%）
ConvFinQA最佳模型得分为68.9%的执行准确率，而人类专家为89.4%——这一21个百分点的差距仍是多轮账本对话面临的挑战。