Hacker News · 20.06.2026 ·Оркестрация агентов

Симуляция биржевых торгов на базе малых языковых моделей

На платформе Hugging Face представлена симуляция финансового рынка, в которой взаимодействие участников обеспечивается сетью малых языковых моделей (SLM). Проект демонстрирует архитектуру, где каждый агент выступает в роли независимого трейдера с уникальной стратегией, реагирующего на рыночные сигналы и действия других участников в режиме реального времени.

В основе системы лежит подход к оркестрации множества агентов, где вместо использования одной крупной модели применяются специализированные компактные решения. Это позволяет снизить вычислительные затраты и задержки при обработке транзакций в рамках моделируемой среды. Агенты обмениваются данными через стандартизированные интерфейсы, что обеспечивает воспроизводимость рыночных сценариев и анализ поведения системы при изменении параметров отдельных участников.

Данный кейс иллюстрирует возможности применения агентных систем для моделирования сложных экономических процессов. Использование малых моделей в подобных инфраструктурах открывает путь к созданию масштабируемых сред для тестирования торговых алгоритмов и изучения динамики коллективного принятия решений в условиях ограниченных ресурсов.

Источник: Hacker News

Похожие материалы

Hugging Face - Blog · Оценка и бенчмарки Новый подход к оценке агентных способностей открытых моделей Hugging Face представила методологию для оценки того, насколько эффективно языковые модели справляются с использованием внешних инструментов. В отличие от стандартных тестов на логику или знание фактов, новый подход фокусируется на способности модели вызывать функции, интерпретировать ответы API и корректировать свои действия в рамках многошаговых задач. Это позволяет разработчикам точнее определять, какая модель лучше подходит для создания автономных агентов. Hacker News · Оценка и бенчмарки Сравнение производительности LLM в динамических агентных сценариях Платформа OpenRouter представила результаты тестирования различных языковых моделей в условиях симуляции, где агенты должны принимать решения в режиме реального времени. В рамках эксперимента модели помещались в динамическую среду, требующую быстрой реакции на меняющиеся обстоятельства. Цель исследования заключалась в оценке того, как архитектурные различия и методы обучения влияют на способность моделей эффективно управлять автономными объектами в условиях ограниченного времени. Hacker News · Оркестрация агентов Обзор фреймворков для мультиагентной оркестрации Разработчики активно обсуждают инструменты для создания систем, в которых несколько специализированных языковых моделей взаимодействуют друг с другом для решения сложных задач. В отличие от простых цепочек промптов, современные подходы предполагают создание автономных агентов, способных делегировать части работы коллегам, проверять результаты и корректировать действия в рамках общего процесса. Hacker News · Инфраструктура для агентов Методы управления поведением LLM в агентных системах Эффективная работа с большими языковыми моделями в рамках автоматизированных систем требует перехода от простых текстовых запросов к структурированным методам управления. Основная проблема заключается в непредсказуемости ответов модели, что затрудняет интеграцию ИИ в программные пайплайны. Для решения этой задачи используются подходы, позволяющие жестко ограничивать формат вывода и логику принятия решений. Hacker News · Инфраструктура для агентов ClawTown: протокол для автоматизированного рынка агентских задач Платформа ClawTown представляет собой инфраструктурное решение для взаимодействия автономных ИИ-агентов в рамках рыночной модели. Система позволяет агентам самостоятельно находить задачи, участвовать в торгах и проводить расчеты через механизм эскроу-счетов. Такой подход автоматизирует процесс делегирования работы между независимыми ИИ-системами, исключая необходимость ручного контроля на этапах поиска исполнителя и подтверждения выполнения условий контракта. arXiv · Машинное обучение Новый метод обучения мультиагентных систем для принятия решений Исследователи представили метод Multi-Agent Fictitious Play, направленный на улучшение навыков принятия решений в мультиагентных системах на базе больших языковых моделей. Традиционный подход «разделяй и властвуй», при котором сложные задачи разбиваются на независимые подзадачи, оказался недостаточно эффективным для сценариев, требующих учета интересов всех сторон одновременно. Новый алгоритм позволяет агентам моделировать поведение оппонентов и партнеров, имитируя процесс стратегического взаимодействия. Hacker News · Инфраструктура для агентов Оптимизация затрат на ИИ через маршрутизацию задач между моделями Разработчики представили плагин для Claude Code, который внедряет систему интеллектуальной маршрутизации запросов. Инструмент анализирует сложность поступающих задач и автоматически перенаправляет простые операции на специализированные компактные языковые модели (SLM), оставляя ресурсоемкие процессы для более мощных систем. arXiv · Исследования и наука Новая математическая модель для анализа многоагентных систем Исследователи представили теоретическую базу для анализа сложных многоагентных систем, в которых действия отдельных участников напрямую влияют на общие наблюдаемые результаты. Работа описывает динамику систем с обратными связями, используя два ключевых параметра: «мощность» (power), определяющую степень влияния агента на коллективный исход, и «функции отклика» (response functions), характеризующие реакцию агента на изменение среды. Hacker News · ИИ в бизнесе Анализ эффективности ИИ-алгоритмов в автоматизированной торговле Разработчик провел исследование жизнеспособности торгового бота на базе больших языковых моделей, предназначенного для работы на криптовалютном рынке. В ходе эксперимента система анализировала новостные заголовки и рыночные данные для принятия решений о покупке или продаже активов. Целью проекта была проверка гипотезы о том, что современные модели способны находить неэффективности рынка и обеспечивать доходность выше рыночной. arXiv · Машинное обучение Модельно-ориентированный подход к созданию сред для обучения с подкреплением Исследователи представили новый подход к разработке виртуальных сред, предназначенных для обучения агентов с подкреплением (RL). Традиционно создание таких систем требует значительных затрат времени, так как для успешной сходимости алгоритмов агентам необходимо тренироваться в множестве схожих, но вариативных условий. Авторы работы предлагают использовать модельно-ориентированную методологию, которая позволяет автоматизировать генерацию семейств сред, сохраняя при этом их функциональную близость.

← Все материалы