你的智能体能否平衡这些账目？
一次智能体运行将三行账本对账至2958.50美元活期存款和1958.50美元9月利润，并从它自行诊断的一次失败中恢复。
#plain-text-accounting
纯文本会计
面向 LLM 智能体的不确定性感知委派：何时从小型模型切换到大型模型
ReDAct 仅在困惑度表明不确定时，才从小模型推迟到大模型，在保持准确率的同时将智能体工作流的成本降低 64%。
OpenHands：AI 软件代理开放平台及其对财务自动化的意义
OpenHands 的 CodeAct 智能体在 SWE-Bench Lite 上得分 26%，展示了 AI 智能体如今可靠能做到什么。金融自动化应从严格限定范围开始，而非完全自主。
LLM 在 Beancount DSL 生成中得分仅为 2.3%：LLMFinLiteracy 基准测试
LLMFinLiteracy发现，五个约7B模型正确编写Beancount交易的比例仅为2.3%，失败在于会计推理而非语法。
TableMaster：基于大语言模型的表格理解自适应推理
TableMaster 搭配 GPT-4o-mini 在 WikiTQ 上达到 78.13%，比 Chain-of-Table 高 13 个百分点，其方法是面向 Beancount 账本智能体的关注表加自适应推理。
τ²-bench：衡量对话式 AI 智能体中双重控制的成本
τ²-bench 发现，拥有自己工具的主动用户会让对话智能体的成功率下降 18–25 个百分点。共享写权限的 Beancount 智能体也会以同样的方式失败。
GAIA 基准测试：衡量前沿 AI 智能体究竟能做些什么
GAIA 的 466 项任务显示，前沿 AI 智能体达到 74.55%，而人类为 92%，其中第 3 级协调仍是最难弥合的差距。
WorkArena：大语言模型（LLM）网络智能体在真实企业知识工作中的表现
WorkArena 的 33 个 ServiceNow 任务显示 GPT-4o 总体 42.7%，但列表筛选为 0%，这是结构化 UI 交互必须跨越的高墙。
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。
Chain-of-Table：LLM 推理链中的演进表格
Chain-of-Table 在 WikiTQ 上达 67.31%，纯文本思维链为 61.48%，在超过 4,000 token 的表格上领先 10.25 个点。
TableLlama：7B 开源模型在表格理解上能否媲美 GPT-4？
TableLlama 在列类型标注上胜过 GPT-4（F1 94 对 32），但在 WikiTQ 组合推理上落后 33 个点。
TAPAS：无需 SQL 的弱监督表格问答及其对 Beancount 的意义
TAPAS 通过选择单元格回答表格问题，从不生成 SQL。它适合小型 Beancount 账本查询，但在规模扩大时会失效。