YC新项目EdotEnv：用量化交易环境解决LLM基准饱和问题

由Rui和Michael创立的EdotEnv（YC S26批次）致力于构建基于量化交易工作流的自适应强化学习（RL）环境，旨在训练大型语言模型（LLM）的研究能力。针对当前AI领域基准测试被过度优化（benchmaxxing）而导致评估失效的难题，该团队指出，有效的基准应具备随模型进步而增加难度的特性。他们发现金融市场具有这种理想属性：市场效率随着套利者的介入而提高，使得旧策略失效，新策略更难寻找，从而形成一个持续进化的挑战系统。EdotEnv将专业的量化工作流转化为可靠的训练环境，要求Agent处理真实市场数据，完成构建预测特征、设计投资组合、回测策略以及适应市场机制等任务。初步测试显示，现有的SOTA模型倾向于进行广泛但浅显的搜索，在深度迭代研究方面表现挣扎；更高的推理能力并不直接转化为更好的交易表现；且Agent缺乏基本的交易常识，例如在亏损时选择停止交易而非调整策略。该项目旨在通过这种高保真的环境，教授Agent可转移的长期规划和持续学习能力，而非特定任务的答案。目前，EdotEnv已在GitHub开源了样本任务库，并计划向AI实验室和企业销售持续进化的训练环境。

事件分析

💡 核心观点：将具备自适应难度的量化交易环境作为LLM的“考场”，为解决静态基准饱和提供了新路径，同时也暴露了当前Agent在长程规划和动态决策上的短板。