← Каталог

· AI Engineer World's Fair 2026

ALPHALAB: автономные мультиагентные исследования в областях оптимизации с frontier LLMs

ALPHALAB: Autonomous Multi-Agent Research Across Optimization Domains with Frontier LLMs — Brendan Rappazzo

Morgan Stanley строит AlphaLab, агентную систему автоматизации quant-исследований, и по словам авторов её главная ценность в eval и средах, а не в самом агенте.

  • Eval до экспериментов — агент сначала пишет eval, а два критика проверяют его на концептуальные ошибки, утечку будущих данных и тесты; цикл не закрывается, пока оба не согласны.
  • Kanban для массовых экспериментов — агент-стратег ведёт доску с гипотезами, рабочие агенты пишут код и отправляют обучение в Slurm, а разбор результата возвращается стратегу.
  • Среды как сигнал для обучения — по словам авторов, 10–20 тщательно сделанных сред дают сигнал для reinforcement learning, а метаоптимизация harness по трейсам уже ведётся.
  • Результаты с оговорками — в задаче обучения LLM harness нашёл конфиг лучше одиночного агента в цикле, а на Kaggle-соревновании NVIDIA по Nemotron вышел в top 12% за десять итераций.

Кому полезно: тем, кто автоматизирует эксперименты с моделями на собственных данных и думает, как строить eval для агентного поиска.

Статья по теме

Главы

Ещё доклады: Brendan Rappazzo

Страница спикера →

Похожие доклады