身為量化交易公司，Jump Trading 建立預測模型，運用市場資料、新聞事件及各種另類資料來源，力求最準確地預測資產價格。由於市場複雜、充滿雜訊，而且持續變動，幾乎不可能準確預知未來走向。不過，Jump 的 LLM 研發主管 Lucas Baker 表示，只要大規模運用預測，即使準確度只比擲硬幣略高，也足以形成成功的策略。
Baker 負責智慧體研發，專注於建置智慧體、任務執行框架與基礎架構，讓量化研究人員能更廣泛、更深入地探索想法。導入 GPT‑6 Astra 後，能交由智慧體執行的工作流程，在規模與複雜度上都大幅提升，從日常程式開發，到驗證新假設的進階量化研究，都涵蓋在內。
「對於需要靈活協調智慧體、持續不懈地推進複雜工作流程的長時間任務，OpenAI 透過 GPT-6 系列，尤其是 GPT-6 Astra，將自主能力提升到全新層次。過去我們需要頻繁提供人工指導與介入，如今則能全心專注於建立安全、監控完善且目標明確的環境，讓智慧體自行找出達成目標的方法。」
過去一年，AI 已從協助撰寫一次性程式碼片段或找出小錯誤的實用工具，轉變為功能強大且用途多元的系統，能獨力開發完整的程式碼庫與服務。如今，Baker 與團隊發現，把 AI 當成同事來合作，最能發揮它的效用。研究人員可以界定核心問題、工作環境，以及評估結果品質與重要性的方法，再即時引導一個或多個智慧體，指示它們該著重分析哪些面向，或接下來執行哪項工作。
Baker 表示，有了 GPT‑6 Astra，智慧體不僅能找出有意義且實用的改進方式，還能透過遞迴改進，不斷整合、累積這些成果。在單一長時間任務的執行過程中，系統能分析自己的發現，依照初始提案中議定的標準進行評估，並主動調整工作方向，不必再由人員逐輪分析每次變更。他說：「你可以設定一項需要執行數天的任務：它必須從多個資料來源擷取資料，細膩判斷哪些重要、哪些不重要，還得串聯所有資訊，才能產出全面的分析。這些現在真的做得到了。」
Jump Trading 的業務涵蓋各種交易週期與資產類別。流程中的每個步驟都很複雜，而在金融這類高度監管的產業中，錯誤可能同時造成財務損失與法遵問題。Baker 表示，了解將工作交給 AI 所帶來的風險至關重要，但智慧體的能力也能用於提升品質、安全性與監控，而不只是新增功能。完善的系統設計與界線、明確的限制、有助於提升可引導性與可觀測性的基礎架構，以及對變更進行人工審查，都能協助 Jump Trading 團隊確保 AI 輔助的工作流程已準備好在受監管的環境中擴大規模。
他說：「如果有一個安全的環境，讓智慧體或系統自由產生所需的任何輸出，同時在最後設有人工審查程序，由人員進行關鍵驗證並核准，這就能讓我們有信心。」例如，智慧體產生的交易訊號，會像其他輸出一樣被界定用途並接受審查：它只是一個訊號，通常能提供有用資訊，但也可能出錯；之後再於經過嚴格審查與管控的執行環境中，與所有其他訊號整合。
Baker 認為，我們正邁向一個「自主研究」普及的世界：由研究智慧體對可衡量成效的系統進行遞迴改進，將變得如此普遍，被視為量化研究人員日常工作流程的一部分。目前，即使是 GPT‑6 Astra 執行時間最長的工作，仍需定期與設定任務的人員確認，不僅要確認擷取哪些資料、執行多久、哪些資訊算重要，也要確認中途產出的結果是否合理。進階自主研究仍會從人類定義的系統開始，包括輸入、環境設定、評估指標、取捨及整體優先順序，但後續流程將交由一支組織鬆散的智慧體「艦隊」執行，而它們本身則由其他智慧體協調。在架構完善的研究流程中，這些智慧體幾乎只需一個開放式問題作為起點，就能明智地決定如何探索想法、分配運算時間，以及整合有潛力的研究發現。
「當你能把這一切從頭到尾串起來，提出一個連自己也不知道答案的廣泛問題，並得到有用的結果，那會是什麼樣的光景？」他問道。「如果你能解開一道千禧年大獎難題，大概也能發現量化金融中一些相當有趣的事實。」
每一年，模型不僅在基準測試上穩步進步，能執行的工作類型也出現跨越式提升。這些發展往往連提前幾個月都難以預料：2024 年，早期智慧體能寫出一個沒有錯誤的檔案，就已令人驚豔；到了 2025 年，它們已能從零建立完整的程式碼庫；2026 年，更能透過多個智慧體並肩協作、靈活配合，在尚未解決的研究問題上取得進展。「明年又會有什麼樣的突破？」他說。「這樣的前景實在令人驚嘆。」
