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。
#transaction-validation
交易验证
GuardAgent: Deterministic Safety Enforcement for LLM Agents via Code Execution
GuardAgent enforces LLM agent policies by running Python code, hitting 98.7% accuracy with no task failures, versus 81% and up to 71% failure for prompt rules.
多智能体 LLM 辩论：真实的准确率提升、未受控的计算开销与集体幻觉
多智能体辩论在算术上提升 14.8 分，但同等算力的单一智能体也能达到。这限制了辩论作为账本提交前安全检查的作用。
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%。