Le filThèmes : RechercheÉvaluationsAgents
QuantCode Model spécialise des modèles de langage pour générer du code de trading algorithmique exécutable
1 sourcemis à jour il y a 1 jpertinence 3,2 sur5
L’essentiel
Après le pré-entraînement continu puis le SFT, Qwen3.6-35B-A3B passe de 47,5 % à 79,5 % de succès final en évaluation agentique, mais la spécialisation dégrade l’appel d’outils structuré.
Propagation1 article, publié par HF Daily Papers le 6 oct..
Les sources
1 article
HF Daily PapersCommunauté : fiche de la sourceSource primaire
Hugging FaceAlexey Chernysh, Orkhan Ekhtibarov, Dmitry Zmitrovichhuggingface.co
QuantCode Model: Specializing Language Models for Executable Algorithmic Trading Code (site externe)
Evaluation is centered on QuantCode-Bench, our 400-task benchmark for Backtrader strategy generation, together with a repository-level SWE-bench-like track.
Sur les mêmes thèmes
Agents
SkillSeek montre que BM25 rivalise avec la recherche agentique de skills pour les agents
Agents
VeriHarness transforme le LLM d’un générateur en agent vérificateur pour les tâches longues
Agents
MILO fait évoluer des harnais d’agents et leur stratégie de recherche, et dépasse huit harnais de référence
Évaluations
Des chercheurs suggèrent que les modèles de langage tendent à présenter par défaut des récits de succès
À lire ensuite
Modèles
Google DeepMind annonce Gemini 4 Argon, déployé d’abord auprès de défenseurs cyber de confiance via Fairwind
Modèles
OpenAI lance GPT-6 Sol et GPT-6 Luna, deux modèles plus économiques qui complètent GPT-6 Astra
Modèles
Anthropic publie Claude Opus 5.5 et OpenAI lance GPT-6 Sol et GPT-6 Luna à environ une heure d’écart
Modèles
Anthropic lance Claude Sonnet 5.5, deuxième modèle de la famille Claude 5.5