論文の概要: DealsFlow: An Evidence-Gated Agentic Harness for Venture Capital Deal Triage
- arxiv url: http://arxiv.org/abs/2610.32380v1
- Date: Fri, 23 Oct 2026 09:08:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.443564
- Title: DealsFlow: An Evidence-Gated Agentic Harness for Venture Capital Deal Triage
- Title（参考訳）: ベンチャーキャピタリストのDealsFlow
- Abstract要約: 大規模言語モデル(LLM)はスタートアップのピッチデッキを読むことができるが、直接投資スコアを出力する。
DealsFlowは、イギリスのアーリーステージファンドで展開された人間とインセループのエージェントハーネスだ。
3つのメカニズムがこれを実装している: 外部証拠のない実カテゴリーのステージアウェアの腐食天井(100点中78点、70点、60点)。
- 参考スコア（独自算出の注目度）: 0.9799637101641149
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Large language models (LLMs) can read startup pitch decks, but letting them emit investment scores directly invites score inflation, run-to-run variance and rationales that are hard to audit. We describe DealsFlow, a human-in-the-loop agentic harness deployed at a UK early-stage fund. The LLM reads the deck, cites evidence and rates each category; code combines the ratings, caps them and only ever lowers them. Three mechanisms implement this: a stage-aware corroboration ceiling (78, 70 or 60 out of 100) on factual categories without external evidence; a sceptic call that may lower but never raise a score; and a pre-fetch pattern that retrieves and indexes all evidence before a single generation pass. We evaluate on $N=243$ SEIS/EIS investments with recorded outcomes. Because recent investments have unresolved outcomes, we use the 142 that are at least three years old. There, the full pipeline's score has Spearman $ρ=0.45$ (95% CI 0.32 to 0.57) with the total-value multiple and AUC 0.71 for identifying write-offs, against $ρ=0.38$ and AUC 0.68 for an unconstrained LLM. The gain is small and comes mostly from the sceptic call; we did not test whether its lower-only rule matters. Investments that later exceeded $2\times$ had 64% of factual categories corroborated, against 38% for write-offs (omnibus Kruskal-Wallis test over five outcome groups, $p=0.031$), and our retrieval was not date-restricted, so these figures may overstate screening skill. In a study of 20 inbound applications, analyst time per application fell from 44.7 to 18.9 minutes including verification and correction, and 84% of 240 cited claims were fully supported by their sources, but 70% of reports needed at least one correction.
- Abstract（参考訳）: 大規模言語モデル(LLM)はスタートアップのピッチデッキを読むことができるが、投資スコアを直接発行することは、評価が難しいインフレーション、実行時の分散、合理性を直接招待する。
DealsFlowは、イギリスのアーリーステージファンドで展開されている人用エージェントハーネスだ。
LLMはデッキを読み、各カテゴリのエビデンスとレーティングを引用する。
3つのメカニズムがこれを実装している: 外部証拠のない実物カテゴリーのステージアウェアの腐食天井(100点中78点、70点、60点)、低いがスコアを上げない懐疑的な呼び出し、一世代が経過する前にすべての証拠を検索してインデックスするプリフェッチパターン。
N=243$SEIS/EISの投資を記録結果と評価した。
最近の投資は未解決の結果なので、少なくとも3年前の142を使用します。
パイプライン全体のスコアはSpearman $ρ=0.45$ (95% CI 0.32 - 0.57)で、合計値倍数と書き込みオフを識別するためのAUC 0.71と、制約のないLCM用のAUC 0.68とがある。
利回りは小さめで、主に懐疑的な声から来ている。
その後、$2\times$を超える投資は、事実カテゴリーの64%と、書き込みの38%(Omnibus Kruskal-Wallis test over five outcome group, $p=0.031$)と相関しており、検索は日付制限されていないため、これらの数字はスクリーニングスキルを誇張する可能性がある。
インバウンドアプリケーション20件の調査では、検証と修正を含む1件あたりのアナリスト時間は44.7分から18.9分に減少し、240件のクレームのうち84%がソースから完全に支持されたが、報告の70%は少なくとも1件の修正が必要であった。
関連論文リスト
- BAIBAICHUCHU at the NTCIR-19 FinArg-3 Task: When Is Maximum Possible Profit Predictable from Investor Text? [0.8594140167290097]
NTCIR-19 FinArg-3 最高収益率(MPP)による中国の投資家ポストランキング
語彙特徴の3トラックアンサンブル、FinArg-2-pre-finetuned MacBERTランキング、LCM判定器は、後グループ開発評価で0.734に達する。
全12本が0.4598から0.5402の間、全26本が0.500である。
論文 参考訳（メタデータ） (2026-10-02T19:15:51Z) - Evidence-Inference Reconstruction: When The Evidence Is Recalled But The Reasoning Goes Wrong [46.421744167883986]
本稿では、構造化状態を用いて1つの検索軌跡を案内するEvidence-Inference Reconstruction (EIR)を紹介する。
EIRは、たとえ誤った証拠が混ざったとしても、単一の最終モデルコールで正しい答えを生成することができる。
また, エージェントSSRでは35.29, 反射では12.41に対して, EIRは平均4.85回, モデルコール数は35.29回であった。
論文 参考訳（メタデータ） (2026-09-27T17:20:41Z) - The Price of Peeking: Anytime-Valid Leakage Detection on ML-KEM EM Traces [45.88028371034407]
本研究は, ベットによる検査に基づく漏洩検出について検討する。
13000～20000のサンプルに対して繰り返し表示される$|t|>4.5$は2.7-12.9%の複製で誤報を発生させた。
論文 参考訳（メタデータ） (2026-09-27T14:14:10Z) - E2A-Bench: Benchmarking Evidence-to-Action Reliability in Financial Chart Reasoning [3.81869701471217]
E2A-Benchは323のHS300構成成分から構築された財務チャート推論のベンチマークである。
E2A-Benchは、根拠、推論-アクションの整合性、エビデンス-自信の校正、方向性のカバレッジを評価する。
一つの幻覚スコアに頼らず、完全なエビデンス・ツー・アクション・チェーンを財務的なVLM評価で追跡すべきである。
論文 参考訳（メタデータ） (2026-09-13T05:50:05Z) - One Human, $N$ Agents: Audit-Budget Allocation for LLM Agent Fleets under Miscalibrated, Correlated Confidence [41.99844472131922]
一人の人間が1ラウンド当たり$N$ LLMエージェントを予算$B ll N$監査で監査しなければならない。
我々はこれを、2段階のガウス的コーパスに対する予算付きノイズ検査としてモデル化し、信頼度の高い監査がランダムである場合の誤校正しきい値($*$過去)を特定する。
論文 参考訳（メタデータ） (2026-07-30T14:52:36Z) - Predictive Extrema, Unprofitable Policies: An AI-Assisted Audit of Candle-Based Binance Spot Timing Models [0.0]
我々は、ロウソクベースの機械学習モデルが、暗号通貨の極端または短水平結果の予測を、想定コストの後に正のSpot紙のポリシーに変換することができるかどうかを監査する。
数値的な結果は、スクリプト化された固定シードモデル実行と決定論的シミュレータから得られる。
人間の監督されたAIエージェントは、文献検索を通じて7月20日のエビデンス・インテリジェンス・インテリジェンス・リビジョンを支持した。
論文 参考訳（メタデータ） (2026-07-21T14:04:15Z) - The Hallucination Snowball: Modeling Error Propagation as State Transitions in Multi-Agent LLM Pipelines [0.17188280334580197]
ステージ1で注入された幻覚は単に持続するだけでなく、変化することを示す。
我々はこれを4つの状態におけるマルコフ過程である幻覚雪玉効果として定式化する。
論文 参考訳（メタデータ） (2026-06-22T06:32:00Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - FinGround: Detecting and Grounding Financial Hallucinations via Atomic Claim Verification [13.891522069967507]
FinGroundは、ファイナンシャルドキュメントQAのための検証済みの地上パイプラインである。
ステージ1は、テキストとテーブル上でファイナンス対応のハイブリッド検索を行う。
ステージ2は6種類の財政分類で分類された原子的主張に答えを分解する。
ステージ3は、段落とテーブルセルレベルの引用で、サポートされたクレームを書き換える。
論文 参考訳（メタデータ） (2026-04-26T07:52:59Z) - The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More [76.93600828673503]
リストAPIの価格設定は、実際のコストに対する信頼性の低いプロキシである。
思考トークンのコストの削減は、ランキングの反転を70%削減します。
この結果から,コスト意識モデル選択と透過的な要求毎のコスト監視の必要性が示唆された。
論文 参考訳（メタデータ） (2026-03-25T06:07:39Z) - Exploring Response Uncertainty in MLLMs: An Empirical Evaluation under Misleading Scenarios [49.53589774730807]
マルチモーダル大規模言語モデル(MLLM)は近年,視覚的質問応答から映像理解に至るまでのタスクにおいて,最先端のパフォーマンスを実現している。
12件のオープンソースMLLMが, 単一の偽装キューを受けた65%の症例において, 既往の正解を覆した。
論文 参考訳（メタデータ） (2024-11-05T01:11:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。