Einsia AI 发布研究品牌 LaPlace's Eye，首个私有策略 Kepler-1 在 Quant Arena 回测中达 94.0%

原创 Z Potentials 2026-10-24 16:21 北京

从研究模型到走进真实世界。

从软件迁移、浏览器操作，到仿真中的机器人任务，再到市场数据...翻看Einsia AI已经公开的研究项目，会发现他们的研究从不只围绕一个模型或一个行业展开，他们似乎热衷于不断把模型放进新的环境里，观察它能不能完成任务、能不能从结果中积累经验。

LaPlace’s Eye也许是这条路径上最具体的一步。最近，Einsia AI团队发布了Quant Arena，并推出全新研究品牌LaPlace’s Eye。Einsia AI方面称，LaPlace’sEye的首个私有策略Kepler-1在榜单中取得领先。

过去，这家Neo Lab更多以研究、基准和开源项目出现在人们视野中；如今，它开始尝试让研究系统进入一个有时间、有成本、会给出反馈的真实场景，从研究模型走进真实世界。

Z Highlights

Quant Arena带来一项新测试：模型能否完成一段受约束的研究过程，并在封存数据上交出策略。
在品牌创立推文中，LaPlace’s Eye没有承诺“看见未来”，而是把重点放在观察、行动、校准与持续学习。
Einsia AI的公开研究，从代码迁移、工程优化和训练算法改进，延伸到科学图示生成、浏览器技能与桌面记忆、视频物理规律评测和仿真具身任务；最近，团队又把模型研究带进了市场策略竞技场，他们持续追问着：智能能否在不同真实任务中获得经验，并把经验带到下一次行动里。

01 先从一场模型测试说起

不久前，Einsia AI发布了Quant Arena，让大模型基于2022至2023年的数据开展研究，经过有限轮次迭代后提交策略，再在封存的2024年数据上接受回测。榜单采用的代表配置口径下，等权市场年化收益为17.1%，受测模型的最高代表配置为10.7%；而Einsia AI公布的Kepler-1为94.0%。

据Einsia方面介绍，Kepler-1是LaPlace’s Eye推出的首个私有策略。

这组数字来自历史模拟回测，不是实盘业绩。论文的全量配置中，GPT-6 Sol medium另有18.4%的单项结果，高于等权市场基准；Kepler-1的策略构造则没有公开。把这些口径放在一起看，Quant Arena要呈现的并非一个简单的“谁赢了”答案，而是模型从研究到策略、再到市场表现之间，仍有多长的路要走。

而要理解LaPlace’s Eye为何出现，还得把视线从这张榜单移开，看看这支团队此前在做什么。

02 不止一个赛道：把模型放进不同任务里

在Einsia AI的研究目录里，有些项目关注模型能否把一件事做对，有些则追问它能不能把做事的经验留下来。

SWE Refactor Bench测试的是一个很具体的软件工程任务：把真实代码库从一种技术栈迁移到另一种，同时不破坏原有行为。项目方报告的520次模型运行中，只有28次通过了迁移审计、行为测试和反例检查三道关卡；20个任务里，有13个没有模型解出。这个基准不是在给模型出一道会不会写代码的题，而是在检查它交付的改动是否真的经得住使用。

BrowserBC换了一个场景。它尝试把人类完成网页任务的操作轨迹整理成可复用技能，让Agent下次遇到相似任务时少走一些弯路。EmbodiedEvo则把智能体放进机器人仿真环境，让它通过观察、修改控制代码和执行反馈积累经验，再看这些经验能不能帮助另一个智能体完成新的任务。

一个面对浏览器，一个面对仿真中的物理任务，关注的都是“做过一次之后，能不能学会一点”。

PPTBench测试模型能否把科学流程图重建为可编辑的PowerPoint图形，而不只是生成一张看起来相似的图片。OpenChronicle尝试为桌面智能体保存工作上下文；面向Overleaf用户的学术助手Agent，则把AI放进研究者日常写作流程。

它们的任务不同，却共同把问题从“模型说得像不像”推向“交付的东西能不能用”。

这也是Einsia AI这支团队容易让人产生好奇的地方。

很多研究组织会沿一条清晰的垂直路线向下深挖，Einsia AI公开出来的项目却不断跨越软件、科研、浏览器、仿真和市场。人们先看到的是一个个基准、一篇篇论文和开源仓库，随后才会问：是谁在同时做这些事情？他们究竟想把智能带到哪里？

Einsia AI 发布的 AI4AI-Bench 在 X 上获得超过210万次浏览

在他们最新发布的研究品牌LaPlace’s Eye的长文中，我们终于得以窥见冰山一角。

03 从“拉普拉斯之妖”到“拉普拉斯之眸”

昨日，Einsia AI发布了新的研究品牌LaPlace’s Eye，其发布的推文《在未来获得名字之前》，从1814年拉普拉斯提出的思想实验讲起：如果一种智能能够知道自然界某一瞬间的全部力量与位置，它就能同时看见过去和未来。后来，这种全知的存在被称为“拉普拉斯之妖”。

紧接着，文章把目光落在市场上。市场由无数人的判断、行动和情绪共同构成。规律会变化，被发现的规律也可能因为更多人采用而失效。市场不是一张等着被揭开的底牌，而是一张正在参与者手中不断改写的地图。

所以，LaPlace’s Eye没有把自己写成能够预知未来的“妖”，而选择了“眸”。眼睛看得有限，需要调整焦距，也需要接受自己会看错。

文中谈到数据、模型和假设时，语气始终落在同一件事上：判断可以提出，但不能免于检验；假设可以成立，也必须允许事实推翻。

这段叙事中与Einsia AI此前的研究有着一个自然的连接点：无论是软件迁移后的行为检查，还是浏览器技能和仿真任务里的经验迁移，研究都要等到行动发生、结果返回之后，才知道模型究竟学到了什么。

LaPlace’s Eye把这个问题带进市场，也把它变成一个面向现实业务的研究品牌:如果未来无法被一次性占有，智能能否进入真实世界，在行动与反馈中不断学习，让自己一次比一次看得更清楚？

04 研究的边界，还会继续向外

Einsia AI将LaPlace’s Eye描述为一套能够观察、提出假设、相互质疑、在边界内行动，再从结果中继续学习的系统。

它还提出一个更长远的设想：如果智能能创造可验证的价值，资本便可以支持下一轮的数据、计算、模型和研究；资源回到研究，研究再推动新的行动。

结合全景来看，这是LaPlace’s Eye这个研究品牌承载的具体命题，却未必是Einsia AI全部的未来。

市场给研究者的是一种反馈，软件、科学任务、浏览器和具身环境也各自有不同的约束。Einsia AI已经在这些场景里留下了项目。更值得关注的，是能否把在一个环境中积累的方法，带到另一个环境里；能否不只提出新的基准，也逐渐做出能在任务中行动、根据结果修正自己的系统。

拉普拉斯的设想，是一个瞬间知道全部的智能。LaPlace’s Eye选择的是继续观察。对Einsia AI来说，这只“眸”也许只是一个起点：从市场开始，继续望向软件、科学、机器人和更多尚未被命名的任务。

它最终能看见什么，取决于它愿意走进多少真实场景，又能从多少次行动中学到新的东西。

Ref.

访问LaPlace’s Eye：https://laplace-eye.ai/

了解Einsia AI更多研究：https://einsia.ai/

跳转微信打开