ทีมนักวิจัยนำเสนอ CIFQA (Calculation-Intensive Financial Query Answering) ซึ่งเป็นเฟรมเวิร์ก AI ที่ออกแบบมาเพื่อแก้ปัญหาจุดอ่อนสำคัญของ Large Language Models (LLMs) ในการจัดการกับโจทย์ทางการเงินที่ซับซ้อน โดยเฉพาะการคำนวณที่ต้องใช้ความแม่นยำสูงซึ่ง LLM มักจะให้คำตอบที่ฟังดูน่าเชื่อถือแต่ตัวเลขผิดพลาด
หัวใจสำคัญของ CIFQA คือการใช้สถาปัตยกรรมแบบ Multi-Agent ที่แบ่งหน้าที่กันอย่างชัดเจน ตั้งแต่การตีความคำถาม การสกัดพารามิเตอร์ ไปจนถึงการวางแผนการคำนวณ โดยจะส่งต่อการคำนวณจริงไปยังเครื่องมือภาษา Python (Deterministic Tools) แทนการให้ LLM คำนวณด้วยตัวเอง วิธีการนี้ช่วยให้ระบบสามารถจัดการกับเงื่อนไขทางเวลาและสูตรทางการเงินที่ซับซ้อนได้อย่างแม่นยำ
ผลการทดสอบกับชุดข้อมูลเงินฝากประจำพบว่า CIFQA มีความแม่นยำสูงถึง 95.54% ในโจทย์ที่เน้นการคำนวณ และที่น่าสนใจคือโมเดลขนาดเล็ก (17B) ที่ใช้เฟรมเวิร์กนี้สามารถให้ผลลัพธ์ที่น่าเชื่อถือกว่าโมเดลขนาดใหญ่ที่สุดในตลาดที่ทำงานแบบเดิม แสดงให้เห็นว่าการออกแบบสถาปัตยกรรมระบบสำคัญกว่าขนาดของโมเดลในการแก้ปัญหาเฉพาะทาง
