用智能体逆向工程应用行为与原生二进制
该项目提出用智能体（agents）对任意目标进行逆向工程，范围从应用行为一直深入到原生二进制文件。新意在于将智能体技术引入逆向工程流程；潜在价值是可能降低人工分析成本，但当前仅有简介，缺乏具体实现与验证细节。
01 DAILY RESEARCH SIGNALS / 2026-10-15
把市场噪声
压缩成可研究的信号。
聚合量化论文、开源项目与 AI 工程进展。每条信号经过筛选、排序与结构化，帮助研究者更快抵达真正重要的信息。
浏览今日信号 ↓
全部数据源检查完成，管线运行正常
02 CURATED INDEX
历史信号库
按内容类型浏览，或直接搜索标题与标签。
INDEXED 15
01 / REP
GitHub
SELECTED SIGNALS 03
Anthropic 推出官方 Claude Code 插件目录
Anthropic 在 GitHub 建立了官方管理的 Claude Code 插件目录，旨在提供高质量插件集合。新意在于官方统一维护，可能改善插件发现与质量把关；有用性在于为开发者提供可信的插件来源。
AirLLM 实现在单张 4GB 显卡上推理 2.8T 参数大语言模型
该项目在 GitHub Trending 上出现，声称通过内存优化技术让单张 4GB GPU 能运行 2.8T 参数的大语言模型，若验证有效将大幅降低大模型推理的硬件门槛。
02 / PPR
论文
SELECTED SIGNALS 08
QuantEval：面向量化金融的LLM计算—实现—验证评测基准
QuantEval 针对大语言模型在专业量化工作流中评测碎片化、多停留在事实问答的缺口，提出覆盖知识问答、数学推理与策略编码三维度的专家校验基准。其编码任务使用确定性 CTA 风格回测框架执行模型生成策略并对比专家风险收益指标，而非仅做语法或模板匹配，因此更贴近量化研究中真实的计算—实现—验证闭环。该基准同时发布数据集、评测脚本与完整回测配置，便于可复现研究并暴露模型在多步推理和框架约束编码上的能力差距。
预测市场二元合约波动率的结构化建模与预测
针对预测市场价格有界、收益二值、到期日已知的特殊结构，提出融合Wright-Fisher到期收敛机制与Glosten-Milgrom订单流机制的波动率模型，并在Kalshi大量合约上验证其预测能力优于单纯ARCH/GARCH。
藤Copula模拟与强化学习驱动的动态组合选择
新在将藤Copula条件模拟与强化学习结合，用于CVaR约束下的动态组合选择，并给出参数误差传播的稳定性界。有用在于为数据驱动策略提供理论误差预算与可复现的经验表现。
统一联合优化框架结合Nyström近似实现可扩展自适应SVM
该研究提出将核选择与SVM训练耦合为连续双层次联合优化问题，并引入Nyström低秩近似与块坐标上升算法，在保持精度的同时将训练复杂度从立方级降至O(Nm)，旨在解决经典SVM在大数据下的训练瓶颈与静态核刚性。
日志解析抹去分布式GPU故障关键线索
该研究提出GF-Bench框架，用于生成分布式GPU工作负载中的多样故障，并评估现有序列模型与LLM在解析日志和原始日志上的故障检测效果。新在于揭示通用日志解析虽降低开销，却会丢弃分布式执行上下文，导致检测不可靠；对成本敏感的场景有参考价值。
Cover Tree 实现细节如何显著改变 KNN 性能
通过统一 Rust 实现 RustKNN 系统评估 Cover Tree 的构建与查询变体，揭示查询模式、基参数和微优化对运行时间排序的影响，为基准测试的可复现性提供指导。
结构化条件神经求解器提升随机波动率定价精度
提出BeTINN结构化条件架构，通过多方向时间-参数条件与联合残差通路，在Heston随机波动率PDE上同时提升期权价值与敏感性精度。
WER 框架：用执行反馈训练技能优化器，提升工具使用智能体表现
针对智能体自写技能反而比不用技能更差的问题，WER 用「写—执行—精炼」多阶段强化学习训练一个独立于冻结执行器的技能优化器，在 BFCL v4 多轮与 tau2-bench 上取得提升，为技能生成提供可复用训练范式。
03 / ART
文章
SELECTED SIGNALS 01
量化推送：更长历史训练能否改善HMM市场状态样本外表现
Quantocracy 于 2026 年 10 月 14 日汇总的近期量化链接中，头条指向一篇研究：探讨更长的历史训练期是否提升 HMM 市场状态模型的样本外表现，并关注样本外评估的困难。该内容对量化研究者有用，因为它把训练窗口长度、市场状态建模与样本外评估问题放在一起讨论。
04 / VID
视频
SELECTED SIGNALS 03
企业AI技能培训：DeepLearning.AI 推出可信课程方案
DeepLearning.AI 发布面向企业的 AI 技能培训项目，旨在帮助团队弥补技能差距。其独特之处在于基于对 10,000 多个岗位的分析和专家访谈设计课程，并宣称参与者持续学习的可能性是自学者的五倍。对于需要系统化提升团队 AI 能力的企业，这一方案提供了可信的参考路径。
M5 Ultra 与 RTX 5090 本地跑大模型对比
该内容基于 Hugging Face 的对比，围绕 Apple M5 Ultra Mac Studio 与 NVIDIA RTX 5090 在本地运行 AI 模型上的差异展开，重点涉及 Qwen3.8-27B 的提示处理与 token 生成、多 token 预测加速，以及 32 GB 显存与 256 GB 统一内存的取舍。
Hugging Face 直播发布开放权重模型 catJAM
Hugging Face 以直播形式推出新开放权重模型 catJAM，并预告 2 万美元奖金与 Hub 积分竞赛；新意在于同步公开模型与开发者交流，对关注开放模型生态与训练实践的人有参考价值。