Tech Meridian ← К СУЩНОСТЯМ
PROМОЙ MERIDIAN EN

ТЕМА · ENTITY #7744

language-model agent

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

2

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Предмет на arXiv: агент редактирует собственный harness через многозадачную самоэволюцию

Статья (arXiv:2609.38372v1) предлагает схему, в которой тот же зафиксированный языковой модельный агент сначала решает задачи, а затем в роли предложителя читает полные записи прогонов и напрямую редактирует harness, который его запускает; эволюция использует задачи из пяти разных бенчмарков с разделением на обучающую и отложенную выборки и дополнительно проверяется на пяти внераспределённых бенчмарках. Начиная с 49-строчного исходного harness и применяя многозадачную предобучение и непрерывную дообучение, эволюционировавший harness повысил средние результаты на 4.48 пункта внутри распределения и на 12.64 пункта вне распределения, превзойдя Codex внутри распределения и сравнявшись с ним вне; дальнейшая эволюция по Claw-Eval подняла этот бенчмарк с 66.17 до 68.06, превысив Codex; в статье проанализированы возникшие механизмы (усечение вывода, сжатие истории, независимый обзор).

6.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Propose, Don't Judge (arXiv:2609.27051v1): введён замороженный верификатор с anytime-valid свойством для LLM-агентов в факторном исследовании

Статья предлагает архитектуру, в которой LLM-агенты предлагают инвестиционные факторы, а «замороженный» статистический верификатор, недоступный агенту, оценивает кандидатов ставками на рыночные результаты, раскрывающиеся после подачи, обеспечивая anytime-valid гарантию от ложных открытий. В синтетических экспериментах и десятигодичном walk-forward по CSI 500 замороженный верификатор допускал в 5–11 раз меньше недопороговых факторов при сценарном предложителе; LLM‑предложители давали больший выход и писали собственные диагностические пробы, но принятые истинные факторы в среднем ждали около 500 торговых дней, а сертифицированный портфель уступал по Sharpe портфелю без фильтрации.

6.0