今日速览
| 序号 | 标题 | 来源 | 日期 | 主题 | 推荐等级 |
|---|---|---|---|---|---|
| 1 | EvolveTrade: Experience-Driven Policy Refinement for Self-Evolving LLM Trading Agents | arXiv | 2026-09-17 | AI-Agent | 高 |
| 2 | CapMem: A Benchmark for Caption-Based Episodic Memory in Egocentric Video | arXiv | 2026-09-17 | RAG | 高 |
重点论文与技术动态
1. EvolveTrade: Experience-Driven Policy Refinement for Self-Evolving LLM Trading Agents
- 来源：arXiv
- 日期：2026-09-17
- 作者/机构：Sehee Kim, Yumin Choi, Minki Kang, Sung Ju Hwang
- 主题标签：
AI-Agent,arXiv - 推荐等级：高
- 分类：cs.AI
一句话结论
EvolveTrade 将 LLM 交易代理的系统提示视为可演化的文本策略，通过决策轨迹与组合反馈持续修订，在多个市场制度下通常优于固定策略基线。
核心内容
- 将工具使用策略从静态手写规则升级为可自演化的文本参数化策略，骨干 LLM 保持不变。
- Policy Agent 在每个更新间隔根据累积决策轨迹和已实现组合反馈修订策略，用于下一批交易决策。
- 行为分析表明自演化策略增加了代码中介分析并激活了与当前市场制度相关的计算。
方法与数据
- 框架核心为”策略修订→下一批决策”的循环，骨干 LLM 固定，仅更新系统提示。
- 实验覆盖多个市场制度与两个 LLM 骨干，摘要未明确具体数据集与回测区间。
价值判断
- 值得关注：将”提示即策略”的自演化范式引入交易代理，为 LLM 金融应用提供了新的适应机制。
- 可复用点：策略修订循环（决策轨迹+组合反馈→提示更新）可迁移至其他工具使用型 LLM 代理场景。
- 局限/待核查：摘要未明确具体市场、数据源与回测细节；“通常优于”暗示并非所有设置均显著，需查看完整实验。
摘要
arXiv:2609.17632v1 Announce Type: new Abstract: Large language model (LLM) trading agents can combine market data, news, and executable analysis, but their behavior is often controlled by static hand-written tool-use policies that are fixed before deployment. This limits their ability to adapt how they gather evidence, invoke tools, verify signals, and manage risk under changing market regimes. We introduce EvolveTrade, a self-evolving framework that treats the system prompt of a tool-using trading agent as a text-parameterized policy. After each update interval, a Policy Agent revises this policy using accumulated decision traces and realized portfolio feedback, while keeping the backbone LLM fixed. The updated policy is then used for the next batch of trading decisions, enabling the agent to refine its information-acquisition and portfolio-construction procedure over time. Experiments across multiple market regimes and two LLM backbones show that EvolveTrade often improves Sharpe Ratio and Cumulative Return over fixed-policy LLM baselines, achieving the improved SR and CR in most evaluated settings. Behavioral analyses further show that self-evolved policies increase code-mediated analysis and activate regime-relevant computations; case-level policy-to-return attributions trace how policy-induced allocation changes contribute to realized return differences. These results suggest that adapting the reusable procedure governing tool use is a key direction for building more robust LLM trading agents.2. CapMem: A Benchmark for Caption-Based Episodic Memory in Egocentric Video
- 来源：arXiv
- 日期：2026-09-17
- 作者/机构：Dingli Liang, Yiqiao Xie, Yukai Huang, Zhaokai Wang, Weitong Cai, Guangwen Feng, Jifei Song, Zhensong Zhang, Hang Zhang
- 主题标签：
RAG,arXiv - 推荐等级：高
- 分类：cs.AI
一句话结论
文本字幕（caption）可作为第一人称长视频中可复用的情景记忆，在多数模型上优于直接视频问答。
核心内容
- 定义了”情景记忆视频字幕问答”任务，提出 CapMem 基准：75 段视频（共 33.7 小时）、1000 道选择题、覆盖 16 个场景。
- 在超过 20 分钟的长视频上，30s/60s 字幕窗口的 CaptionQA 分别在 10/12 和 8/12 个模型上优于直接 VideoQA。
- 匹配帧对照实验中，6 个 Qwen 模型平均准确率分别提升 3.22 和 2.55 分；字幕引导的检索-验证框架进一步提升最多 5.3 分。
方法与数据
- 人工标注基准，采用选择题形式；使用 Qwen 系列模型进行对照实验，并设计了字幕引导的检索-验证（retrieve-and-verify）框架。
价值判断
- 值得关注：为可穿戴助手等长视频场景提供了低成本的记忆替代方案，验证了”文本即记忆”的可行性。
- 可复用点：CapMem 基准和 retrieve-and-verify 框架可直接用于后续第一人称视频理解研究。
- 局限/待核查：仅覆盖选择题形式，未涉及开放式生成；模型范围限于 Qwen 系列，泛化性待验证。