💵 NVIDIA представила мультиагентную систему для автоматизации поиска финансовых сигналов

Исследователи из NVIDIA опубликовали пример разработки Quantitative Signal Discovery Agent — мультиагентной системы на базе NeMo Agent Toolkit, которая автоматизирует поиск и тестирование торговых сигналов в количественных финансах. Традиционно этот процесс требует ручного выдвижения гипотез, написания кода и бэктестинга, что занимает дни и недели. Новая архитектура превращает его в непрерывный автономный цикл.

Система объединяет три специализированных агента: Signal Agent генерирует гипотезы о потенциальных альфа-сигналах на основе рыночных данных, Code Agent переводит описания сигналов в исполняемый Python-код, а Evaluation Agent проводит бэктесты и итеративно улучшает предложения. Оркестрация выполняется через NeMo Agent Toolkit, который управляет передачей контекста между агентами. Для генерации сигналов используется модель nemotron-3-nano-30b-a3b через NVIDIA NIM.

Ключевая особенность — библиотека из 66 математических операторов (Rank_Add, LogReturn, Momentum и др.), которая служит «конструктором» для агента-генератора. Каждый оператор содержит имя, сигнатуру, описание и готовый Python-код, что исключает «галлюцинации» и гарантирует математическую корректность. Система уже доступна как пример для разработчиков на build.nvidia.com.

#Tech #Ai #NVIDIA #NeMo #Finance

💻 Ускорение тонкой настройки MoE-моделей с NVIDIA NeMo AutoModel

Библиотека NVIDIA NeMo AutoModel, построенная поверх Transformers v5, обеспечивает ускорение обучения в 3,4–3,7 раза и снижение потребления GPU-памяти на 29–32% при тонкой настройке Mixture-of-Experts (MoE) моделей. Всё это — без изменения кода: достаточно заменить одну строку импорта.

NeMo AutoModel наследует AutoModelForCausalLM от HuggingFace и добавляет Expert Parallelism, DeepEP fused all-to-all dispatch и ядра TransformerEngine. DeepEP решает ключевую проблему v5 — перекрытие коммуникации с вычислениями экспертов. Библиотека использует обратимую конвертацию весов v5, поэтому save_pretrained() сохраняет стандартные HF-чекпоинты, совместимые с vLLM и SGLang.

Для популярных архитектур (Qwen3, Nemotron, DeepSeek V3) NeMo AutoModel включает hand-tuned реализации с TransformerEngine attention и fused-линейными слоями. Для остальных моделей применяются оптимизации Liger kernel. Результат — масштабирование от одного GPU до 16 узлов без переписывания кода.

#AI #Library #NVIDIA #NeMo #Transformers #MoE #HuggingFace