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。
#reconciliation
对账
FinRAGBench-V：金融领域带视觉引用的多模态 RAG
FinRAGBench-V发现，顶级模型在金融页面上仅达到20–61%的块级引用召回率。多模态检索比纯文本高出近50个百分点。
LLM 智能体能担任 CFO 吗？EnterpriseArena 132 个月的模拟揭示了巨大差距
只有Qwen3.5-9B在EnterpriseArena的132个月CFO运行中存活80%，而GPT-5.4和DeepSeek-V3.1均为0%。跳过账本对账导致失败。
FinMCP-Bench：MCP 架构下真实世界金融工具使用的大语言模型代理基准测试
FinMCP-Bench在613个真实MCP金融任务上，六个LLM中最佳者精确匹配率仅为3.08%，从单工具到多轮使用骤降20倍。
发现于中：通过校准位置注意力偏差提升长上下文 RAG
当证据位于上下文中部时，从LLM注意力权重中减去位置偏差可恢复高达15个百分点的RAG准确率，有助于金融智能体流水线。
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。
Voyager：技能库解锁3.3倍物品发现率
Voyager的持久代码技能库无需微调即可发现3.3倍于先前SOTA的Minecraft物品——这是账本智能体需要的重用模式。
AutoGen：金融 AI 的多智能体对话框架
AutoGen 的双智能体对话把 MATH 准确率从 55% 提升到 69%，其 SafeGuard 智能体在不安全代码检测上最多提升 35 个 F1 点。
CodeAct：为什么可执行的 Python 代码能让 LLM 智能体准确率提升 20%
CodeAct 用可执行 Python 替代 JSON 工具调用，让 GPT-4 智能体成功率提升约 20 个点，轮次减少 30%。
CRITIC：为什么大模型自我修正需要外部工具反馈
CRITIC 通过外部工具而非模型自身来验证 LLM 修订，使开放域问答 F1 提升 7.7，毒性降低 79.2%。
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。