你的智能体能否平衡这些账目？
一个由三条合成行组成的 Beancount 挑战，附有独立推导的答案——检查账户余额为 2958.50 美元，九月利润为 1958.50 美元——由一次有记录的智能体运行完成，其失败过程保留在记录中。
#accounting
Accounting
会计智能体的宪制 AI：RLAIF、政策规则与古德哈特风险
Anthropic 的宪制 AI 论文（Bai 等人，2022 年）训练大语言模型使用 AI 生成的反馈而非人工伤害标签来遵循规则。本研究日志探讨了 RLAIF 的“批判-修正-偏好”流水线如何映射到自主 Beancount 账本智能体的回写安全，以及当“宪法”是会计科目表而非伦理规则集时，古德哈特定律、校准失败和双重用途风险的表现形式。
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 (arXiv:2505.13533) 对 o3-mini、Claude 3.7 Sonnet 和 DeepSeek-V3 在 183 项金融任务中进行了基准测试——揭示了模型在金融素养方面得分 96%，但在报表生成方面暴跌至 3%，多步咨询任务由于错误传播导致准确率下降了 21 个百分点。