ทันเอไอ

CIFQA 采用多智能体系统，减少金融计算错误

研究人员提出一种框架，由 LLM 理解问题，再将计算任务交给按固定规则运行的工具，报告称整体准确率达 90.87%

Kunjesh Parekh、Anil Kumar Tiwari 和 Divya Saxena 在 arXiv 发布了编号为 2608.26114 的 CIFQA 研究，旨在解决 Large Language Models（LLM，大语言模型）回答需多步计算的金融问题时存在的短板。这类模型生成的答案可能看似合理，实际数字却有误。

CIFQA 是 Calculation-Intensive Financial Query Answering 的缩写，是一种 Multi-agent（多智能体协作）框架。其核心理念是将“语言理解”与“数值处理”分开，避免让 LLM 独自完成题意理解、公式选择、计算和回答的全部流程。

系统内部设有多个专用智能体，分别负责理解问题、选择工作流程、提取参数、规划计算步骤和组织答案；计算及基于规则的条件判断则交给以 Python 开发的工具执行。这些工具采用 Deterministic（确定性）方式运行，即相同输入会依照相同步骤产生相同结果，从而减少对模型猜测数值的依赖。

研究人员使用与 Fixed Deposit（定期存款）相关的问题测试该系统，涉及利率、期限、数值公式及各种条件。报告结果显示，CIFQA 在计算密集型问题上的准确率为 95.54%，整体准确率为 90.87%，高于在相同测试中以通用方式使用的大型 LLM。

结果表明，在微小误差就可能改变金融答案的任务中，让模型系统化调用计算工具的架构设计，可能比单纯扩大模型规模更重要。不过，所有数据均来自研究团队针对定期存款任务报告的结果，因此尚不能断定该系统在贷款、税务、投资或各国金融法规方面也能保持同等准确率。