面向会计师的检索增强推理
计算与语言
2026-05-04 v1 人工智能
信息检索
摘要
大型语言模型 (LLM) 的出现催化了金融领域的人工智能采用，但其在复杂、司法管辖相关任务（如印度会计师 (CA)）中的可靠性仍有限。模型在需要多步骤数值任务时表现困难，同时需要关于法律法规的专业知识，且扩展其规模的方法在资源有限的环境中不可行。我们提出 CA-ThinkFlow，一个参数高效的检索增强生成 (RAG) 框架，运用于 14B、4 位量化的推理模型、14B-DeepSeek-R1，以及保持文档结构的布局感知 Docling 提取系统。CA-ThinkFlow 使用基本的 RAG 方法自动将检索信息添加到提示中，同时依赖模型内置的链式思维 (CoT) 功能构建上下文并生成正确答案。我们开发的系统在多层级 CA-Ben 基准测试中达到了与大型专有模型相当的性能水平，实现了学术可靠性系数 (SRC) 结果等于 GPT-4o 和 Claude 3.5 Sonnet 的 68.75%。该框架在处理参数方面表现出高效与强大，但在处理诸如税务等领域存在复杂法规文本的基本推理能力仍有不足。
引用
@article{arxiv.2605.00257,
title = {Retrieval-Augmented Reasoning for Chartered Accountancy},
author = {Jatin Gupta and Akhil Sharma and Saransh Singhania and Ali Imam Abidi},
journal= {arXiv preprint arXiv:2605.00257},
year = {2026}
}
备注
9 pages, 2 figures, and 3 tables