論文の概要: Can You Trust Your Finance Agent? Drift, Diagnosis and Auditable Intervention on One Shipped Financial Research Agent
- arxiv url: http://arxiv.org/abs/2611.17939v1
- Date: Fri, 13 Nov 2026 09:22:23 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:22:34.272417
- Title: Can You Trust Your Finance Agent? Drift, Diagnosis and Auditable Intervention on One Shipped Financial Research Agent
- Title(参考訳): ファイナンスエージェントを信頼できますか? 一人の金融調査エージェントのドリフト, 診断, 聴覚的介入
- Abstract要約: 18の質問で同じ7回が129のルーリック基準の105から123回を通っており、法案は最大17%まで変更されている。
我々は、9つの質問の3行から、所有者がそれらを治療するレイヤによって、失敗する20のトラジェクトリを分類した。
3つのモデルファミリーの4人の盲目の読者が、痕跡のみを考慮し、私たちのLSMアナライザと同じ欠点を94%のケースで挙げた。
- 参考スコア(独自算出の注目度): 1.8164279320586274
- License:
- Abstract: Can you trust a finance agent you did not build? We take the reference agent shipped with the Vals Finance Agent Benchmark v2, leave it untuned, and ask four questions a leaderboard score does not answer. Is the score stable? Seven identical runs on 18 questions pass between 105 and 123 of 149 rubric criteria, and the bill varies by up to 17%. When the agent fails, who owns the fix? We classify 20 failed trajectories, from three runs of nine held-out questions, by the layer whose owner would remedy them, under a taxonomy frozen in advance: 13 belong to the agent's instructions, 3 to its tools, 4 to the model, none to its data. Can that diagnosis be trusted? Four blind readers from three model families, given only the traces, name the same fault as our LLM analyzer in 94% of cases, the rate at which they agree with one another (93%). Can a change be trusted? An optimization loop reads the traces, makes one targeted change per round and keeps it only if it clears a fixed threshold. Under a cost objective its final configuration costs 0.34x the baseline on the held-out questions (95% CI [0.22, 0.58]) at accuracy within noise. Under an accuracy objective it gains 14 points on the development questions and 1.5 on the held-out ones (CI [-5.3, +7.2]). Judged against the measured run-to-run noise, under a rule written before the test was opened, the first is a real saving and the second is not. This is a case study of one agent and nine test questions, not a general result.
- Abstract(参考訳): 建設しなかった金融業者を信用できますか。
我々は、Vals Finance Agent Benchmark v2で出荷されたリファレンスエージェントを、未修正のままにして、リーダーボードのスコアが答えない4つの質問をする。
スコアは安定していますか。
18の質問で同じ7回が149のルーリック基準の105から123回を通っており、法案は最大17%まで変更されている。
エージェントが失敗したら、誰がその修正を所有しますか。
13はエージェントの指示に、3はツールに、4はモデルに、4はデータによらず、前もって凍結した分類の下で、我々は、9つの保留された質問の3行から、所有者がそれらを治療するレイヤによって、失敗する20のトラジェクトリを分類した。
その診断は信用できますか。
3つのモデルファミリーの4人の盲目の読者が、痕跡のみを考慮し、LLMアナライザと同じ障害を94%のケースで挙げました。
変更は信頼できますか?
最適化ループはトレースを読み、ラウンド毎に1つのターゲット変更を行い、固定しきい値がクリアされた場合にのみ保持する。
コスト目標では、最終的な構成はノイズ内での精度で保持された質問(95% CI [0.22, 0.58])のベースラインの0.34倍となる。
精度目標では、開発問題に14点、保留点に1.5点(CI [-5.3, +7.2])を得る。
測定されたラン・ツー・ランノイズに対して判断され、テストが開く前に書かれたルールの下で、最初のものは真のセーブであり、2番目はそうではない。
これは1つのエージェントと9つのテスト質問のケーススタディであり、一般的な結果ではない。
関連論文リスト
- Good Judgment, Bad Advice: Decision-Model Controllers Raise Agent Cost Without Improving Success [0.0]
我々は、型付き決定モデルであるJev 1.13が、端末エージェントを悪化させることなく安くするかどうかを問う。
21のホールドアウトタスク(315のトライアル)では、Jevは同じパスレートで19%(幾何学平均比 1.19, 95% CI 1.02-1.36)のコストを上昇させた。
ジェブは小型のLLMコントローラー(比0.81)よりも安価であったが、プラセボより22%高く、アーム間のパスレート差は検出できなかった。
論文 参考訳(メタデータ) (2026-10-17T11:53:32Z) - A Trust Layer for Agent Evaluation [0.0]
エージェント評価のための信頼層(Trust Layer for Agent Evaluation)は、各スコアの横に、それを信じるべきかを報告します。
結果がベンチマーク自身のグレーディングロジックによってサポートされているかどうか、パス回答がトレーサブルによって得られたかどうか、エージェントの完了クレームが何が起きたかに一致しているか、そして繰り返し実行時に結果が安定であるかどうか、の4つの特性を検証する。
論文 参考訳(メタデータ) (2026-10-05T19:15:37Z) - Agent Error Dataset: Scaling 50,000 Error--Diagnosis Pairs for Failure Analysis and Error-Aware Post-Training [45.727227890697556]
我々は,9,961のソースタスクから50,228のエラー診断ペアからなるエージェントエラーデータセット(AED)を紹介した。
5段階のAgenic Error-to-Trainingパイプラインは自然の故障を収集し、診断と修正案を生成し、記録された証拠と照合する。
アクタートレーニングのレシピの比較において、アクションオンリーの修復トレーニングは成功オンリーのトレーニングよりもWebShop-liteの方が6.67ポイント高い。
論文 参考訳(メタデータ) (2026-09-30T16:40:22Z) - Making Agents More Consistent: Skills Should Form Habits for Repeat Tasks [0.0]
私たちはそれぞれ42のタスクを3回実行し、モデルによっては38%から74%の回答が一致しないことがわかった。
スキルの習慣形成を提案する。
4つの理由付けアームのうち3つは42質問の11~13回、42質問の4回目は42の4回目、習慣形成型は456通の発送で再現され、置換されたすべての腕に非劣性であった。
論文 参考訳(メタデータ) (2026-09-21T18:43:49Z) - Deployment Decision Reliability: A Generalizability-Theory Framework for Sizing Long-Horizon Agent Evaluations [0.0]
3つのオープンエージェントトレースベンチマークで、エージェントのメインエフェクトが各データセットとチェックタイプにおける全分散の3%未満を占めていることを示す。
3つの推定器に適合する4面の一般化可能性理論の分散分解を通してこれを達成する。
これをデプロイ決定信頼性(DDR:Deployment Decision Reliability)という,分散コンポーネントテーブルを企業購入者が防御できる5つの決定に変換する,ワンページレポートの規律にパッケージ化します。
論文 参考訳(メタデータ) (2026-08-11T18:16:51Z) - 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) - GAUGE: Grading Agent-Built Financial Models Without a Golden Answer [38.72982631250115]
65社をカバーする108組のうち、中央値は0.33、92.6%は0.70以下であり、同じビンテージのペアは10%以内のインプリード価格に合意していない。
同じ企業の独立したアナリストモデルを用いて、65社をカバーする108組のうち、中央値のシングル参照スコアは0.33、92.6%が0.70未満であり、同じビンテージペアが10%以内のインリード価格で一致しないことが判明した。
本稿では,エージェント構築評価モデルを評価するベンチマークであるGAUGEを紹介する。
論文 参考訳(メタデータ) (2026-07-27T13:03:19Z) - When Should Agent Trust Be Conditional? Characterizing and Attacking Skill-Conditional Reputation in Agent Swarms [4.9833735627186435]
オープンプラットフォームは、異種エージェント間でタスクをルーティングする傾向にある。
標準評価アプローチは、各エージェントを単一のグローバル信頼スコアで要約する。
技能条件信頼度R(i | k)について検討する。
攻撃者が1つのスキルで安価な証拠を持っていて、ターゲットスキルに誰も条件付きルータをハイジャックしていないことを示す。
論文 参考訳(メタデータ) (2026-06-12T07:32:19Z) - MoCA-Agent: A Market-of-Claims Code Agent for Financial and Numerical Reasoning [47.751319722749116]
textscMOCA-Agentは、フリーフォームのマルチエージェントの議論をクレームレベルの検証に置き換える、有望なコードエージェントである。
このシステムは、各質問をタイプされた原子的クレームに分解し、専門家のトレーダーにそれらのクレームの売買を依頼し、信頼度の高い受け入れ/拒絶決定へと命令をクリアする。
コード認識検証器は、実行、構造整合性、一般的な金銭的推論エラーのプログラムをチェックする。
論文 参考訳(メタデータ) (2026-06-10T00:45:39Z)
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。