LLM 异常检测综述 (NAACL 2025)：强大的分类体系，缺失的表格数据覆盖
NAACL 2025的分类法依然成立，但表格覆盖缺失。金融AI团队必须自行适配视觉模型方法。
#analytics
分析
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。
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。
τ-bench：评估 AI 代理在现实世界工具调用领域的可靠性
τ-bench 发现顶尖大模型在零售工具调用任务上从 pass@1 的 0.692 降至 pass@4 的 0.462。在账本上执行写回的智能体也面临同样的稳定性悬崖。
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。
FinanceBench：为什么基于向量存储的 RAG 在真实财务文档上表现不佳
FinanceBench 用 16 种 AI 方案测试了 10,231 个真实 SEC 文件问题：共享向量存储 RAG 只答对 19%，可见检索并非瓶颈。
自洽性：多数投票采样提升思维链准确性
自一致性对多条采样的推理路径进行多数投票，而非单一贪婪解码，在 GSM8K 上提升 17.9 个点且无需额外训练。