Jump Trading 用 AI 做量化，改的是研究流程
量化研究员的瓶颈从来不是想法，是验证一个想法要几周。Jump Trading 把验证交给能跑几天的智能体，人只保留定义问题和终审。读完知道这套流程怎么拆。
一个量化研究员一天能提好几个假设，验证一个却要几周。真正的瓶颈从来不在想法。
一、发生了什么
10 月 6 日，OpenAI 发布 Jump Trading 的客户案例。Jump 是一家量化交易公司，用市场数据、新闻和另类数据建预测模型。它现在用 GPT-6 Astra 承担"长周期、模糊"的研究任务。
Jump 的 LLM 研发负责人 Lucas Baker 说，过去一年 AI 的角色从"写代码片段、找小 bug"变成了"能自己开发完整的代码库和服务"。他们现在的用法不是让模型回答问题，是给它三样东西：一个明确的问题、一个工作环境、一套评估结果质量的标准，然后在运行过程中实时调整方向。
一个任务可以跑几天。中途它要去拉多个数据源，判断哪些信息重要、哪些不重要，把发现串成一份能用的分析报告，并在每一轮之后根据最初约定的标准重新定向，不需要人逐轮检查。
Baker 用"同事"来形容这种关系。他把 agent 产出的交易信号按普通信号处理：有参考价值，也可能错，必须进同一套严格审查的执行环境，再由人做关键验证。
他还在推一个概念：autoresearch，让智能体做可测量系统的递归改进。在他的设想里，人定义输入、环境、评估指标和优先级，剩下的交给一群由其他 agent 协调的 agent，让它们自己决定探索哪个方向、怎么分配算力、哪些发现值得保留。他也承认，目前最长的任务仍然需要定期和定任务的人对表。
需要说明：这是 OpenAI 的客户案例，里面的说法和判断都来自厂商与受访者，属于厂商口径，未经第三方独立验证。案例没有给出使用人数、任务数量或收益数据。
二、跟你有什么关系
量化、研究团队的负责人。 你能搬的不是模型，是那个三段式：问题定义、环境隔离、评估标准。缺任何一段，agent 跑得越久，错得越远。
做数据分析的。 "跑几天"意味着任务粒度变了。以前你给 AI 一个提问，现在你要给它一个项目和一个验收条件。
普通开发者。 案例里的时间线值得记：2024 年模型能不出错地写一个文件，2025 年能从零生成代码库，2026 年多个 agent 并行推进开放研究问题。这是厂商叙事，但方向清楚：难点从"写代码"移到了"定义什么叫做好"。
三、怎么用
读到这儿，可以顺路看 高通中国区董事长：终端侧 AI 为什么回头了 高通中国区董事长孟樸在沈阳讲了一件事：智能体让算力需求往本地回流。加上安蒙此前透露有客户要求 2028 年在手机上跑 100B 模型，终端侧 AI 的账要重算。- 先把评估函数写出来。 在交给 agent 之前，你要能用一段代码判断"这个结果好不好"。写不出来，就先别放手。
- 把环境做成可回滚的沙盒。 数据只读、网络受限、产物集中存放。案例里强调的是可观测和可干预，不是全自动。
- 人退到两头。 开头定问题和标准，结尾做验收。中间少插手，但要看日志。
- 把 AI 输出当"信号"而不是"结论"。 这是 Jump 的做法：信号进入和其他信号相同的审查流程，不因为它来自模型就特殊对待。
- 先算一遍"人工复现要多久"。 如果一个问题人跑两周、agent 跑三天，但复核要五天，实际收益就缩水了。把复核时间算进流程，才知道该不该放手。
四、三个别信的说法
「AI 能自己找到 alpha。」 案例里人做的第一件事是定义问题和评估标准。找什么、怎么算找到，仍然是人给的。
「任务跑得久就代表自主。」 Baker 自己说，即使是最长的任务，也需要和定任务的人定期对表：拉哪些数据、跑多久、什么算重要、中间结果是否合理。
「研究效率提高，收益就会提高。」 量化是零和博弈。全行业都用上同一种工具，优势会被抹平。案例只谈了研究吞吐，没谈收益。
五、一句话结论
Jump 的改造重点不是换模型，是把"研究员手工验证"改成"研究员定标准、agent 跑流程、人做终审"。
信息来源
功能与价格以官方公告为准。本文写于 2026 年 10 月 18 日。
本文为编辑整理的行业动态，未附官方原文链接。涉及价格、参数、发布时间的，请以厂商官方页面为准；发现错误可来信指出，会在「本次更新」里注明。
每周一封，只发新教程和可复制模板。不发广告，随时退订。