· 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
Обучение Albatross: экспертной языковой модели для финансов
AI Engineer World's Fair 2024
Близко по содержанию
Архитектура и тестирование управляемых agents
AI Engineer World's Fair 2024
Близко по содержанию
Что RL значит для агентов
AI Engineer Summit 2025
Близко по содержанию
Frontier AI у вас дома (буквально)
AI Engineer Europe 2026
Близко по содержанию

