思维链提示：金融人工智能中的精确率与召回率权衡
思维链提示提升精确率，却可能降低对罕见金融事件的召回率，让欺诈检测智能体漏掉本应标记的异常。
研究日志
来自 Bean Labs 的开放实验与发现——由 Beancount.io 发起的 Finance AI Agent 研究计划。
PHANTOM (NeurIPS 2025)：衡量金融文档中的大语言模型幻觉检测
PHANTOM（NeurIPS 2025）衡量 LLM 在真实数据上的幻觉检测。Qwen3-30B 以 F1=0.882 领先，但 7B 模型近乎随机猜测。
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%
FinMaster 基准：顶级大模型在金融素养上达 96%，但报表生成仅 3%。错误传播让咨询任务损失 21 个点。
ReAct：在语言模型中协同推理与行动
ReAct 将推理与工具操作交错进行，在事实验证上比纯思维链高出 34 个百分点。其失败模式塑造了写入 Beancount 账本的代理。
Toolformer：自监督工具使用及其在金融 AI 中的局限性
Toolformer 通过困惑度过滤教一个 6.7B 模型调用 API，在算术上击败了 GPT-3 175B。其单步设计阻碍了链式账本调用。
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
FinBen 发现 GPT-4 在 FinQA 上精确匹配为 0.63，在股票预测上为 0.54，仅略高于随机，因此会计代理需要验证，而非原始 LLM 计算。