GreenWAM объединяет модель мира и управление для 20 семейств роботов
Авторы представили GreenWAM — модель, которая учится предсказывать изменения сцены под действием робота и выбирать действия. Для обучения движения разных роботов описывают в общей системе суставных координат.
По результатам авторов, GreenWAM показала сильные результаты в нескольких симуляционных тестах и успешно управляла реальным гуманоидом. Модель также удалось сжать до политики, выбирающей действие за один шаг.
Одна модель совмещает прогноз последствий действия и управление, а общая система координат позволяет обучать её на разных типах роботов. Такой подход может упростить перенос навыков между роботами, но практическая польза зависит от результатов вне описанных авторами тестов.
Это препринт: результаты заявлены авторами и не являются независимой оценкой.
Артём · Пинзес AI
Авторы представили GreenWAM — модель, которая учится предсказывать изменения сцены под действием робота и выбирать действия. Для обучения движения разных роботов описывают в общей системе суставных координат.
По результатам авторов, GreenWAM показала сильные результаты в нескольких симуляционных тестах и успешно управляла реальным гуманоидом. Модель также удалось сжать до политики, выбирающей действие за один шаг.
Одна модель совмещает прогноз последствий действия и управление, а общая система координат позволяет обучать её на разных типах роботов. Такой подход может упростить перенос навыков между роботами, но практическая польза зависит от результатов вне описанных авторами тестов.
Это препринт: результаты заявлены авторами и не являются независимой оценкой.
Артём · Пинзес AI
FlashVSR+ сочетает локальное и глобальное внимание для апскейла видео
Авторы FlashVSR+ обрабатывают соседние участки видео локально, а редкие глобальные связи используют для согласованности удалённых частей кадра.
По оценке авторов, модель ускоряет обработку до двух раз относительно DiT и снижает пиковое потребление памяти на 45%. Они также заявляют об обработке видео в 4K без разбиения кадра на части на одной RTX 4090 с 24 ГБ памяти.
Метод обучения Ry-DMD использует оценки качества генерации, чтобы приблизить результат к человеческим предпочтениям, не обучая модель через саму reward-модель. Авторы применили метод также к генерации изображений по тексту.
Локальная обработка может снизить вычислительные затраты на восстановление видео высокого разрешения, а Ry-DMD предлагает способ учитывать оценки качества при обучении генеративных моделей.
Это препринт: результаты и сравнения заявлены авторами.
Артём · Пинзес AI
Авторы FlashVSR+ обрабатывают соседние участки видео локально, а редкие глобальные связи используют для согласованности удалённых частей кадра.
По оценке авторов, модель ускоряет обработку до двух раз относительно DiT и снижает пиковое потребление памяти на 45%. Они также заявляют об обработке видео в 4K без разбиения кадра на части на одной RTX 4090 с 24 ГБ памяти.
Метод обучения Ry-DMD использует оценки качества генерации, чтобы приблизить результат к человеческим предпочтениям, не обучая модель через саму reward-модель. Авторы применили метод также к генерации изображений по тексту.
Локальная обработка может снизить вычислительные затраты на восстановление видео высокого разрешения, а Ry-DMD предлагает способ учитывать оценки качества при обучении генеративных моделей.
Это препринт: результаты и сравнения заявлены авторами.
Артём · Пинзес AI
AUGUstus обучает автопилот объяснять действия, но на ходу выводит только траекторию
Модель объединяет генерацию траектории методом диффузии и авторегрессионное понимание сцены: во время обучения сначала генерирует действие, затем цепочку рассуждений, а при работе выводит только действие.
Авторы препринта сообщают о работе модели на частоте 12 Гц в предварительном запуске на автомобиле; также приводят результаты на NAVSIM и nuScenes.
Такой порядок позволяет использовать рассуждения при обучении, не тратя время на их последовательную генерацию при каждом решении автопилота.
Это препринт: результаты и оценка работы на автомобиле заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Модель объединяет генерацию траектории методом диффузии и авторегрессионное понимание сцены: во время обучения сначала генерирует действие, затем цепочку рассуждений, а при работе выводит только действие.
Авторы препринта сообщают о работе модели на частоте 12 Гц в предварительном запуске на автомобиле; также приводят результаты на NAVSIM и nuScenes.
Такой порядок позволяет использовать рассуждения при обучении, не тратя время на их последовательную генерацию при каждом решении автопилота.
Это препринт: результаты и оценка работы на автомобиле заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
AWS оценила генерацию презентации из отчёта в $0,04
Внутри AWS система на Amazon Bedrock обработала 90-страничный годовой отчёт и за 70–90 секунд собрала презентацию из шести слайдов.
AWS оценивает расходы на вызовы моделей примерно в $0,04 за генерацию; основная часть этой суммы пришлась на создание изображений.
Такой агент может ускорить подготовку презентаций по объёмным документам: он извлекает сведения из источников, пишет текст и собирает слайды. Человеку всё равно важно проверить результат перед отправкой клиенту.
Результаты получены во внутреннем тесте AWS на одном отчёте. $0,04 — оценка только вызовов моделей в регионе us-east-1, а не полной стоимости инфраструктуры и эксплуатации.
Артём · Пинзес AI
Внутри AWS система на Amazon Bedrock обработала 90-страничный годовой отчёт и за 70–90 секунд собрала презентацию из шести слайдов.
AWS оценивает расходы на вызовы моделей примерно в $0,04 за генерацию; основная часть этой суммы пришлась на создание изображений.
Такой агент может ускорить подготовку презентаций по объёмным документам: он извлекает сведения из источников, пишет текст и собирает слайды. Человеку всё равно важно проверить результат перед отправкой клиенту.
Результаты получены во внутреннем тесте AWS на одном отчёте. $0,04 — оценка только вызовов моделей в регионе us-east-1, а не полной стоимости инфраструктуры и эксплуатации.
Артём · Пинзес AI
Tamnoon автоматизирует исправление проблем безопасности в облаке с помощью ИИ
Платформа Tami от Tamnoon анализирует находки систем облачной безопасности, оценивает риск исправления и готовит изменения с резервным копированием, проверкой результата и планом отката. Для решений с оценкой SAFE компания допускает автоматическое выполнение.
Tamnoon сообщает, что у типичного клиента критические облачные риски сокращаются до 90% за 90 дней. Компания также заявляет, что при исправлениях не было сбоев в производственной среде.
Такой подход может помочь командам закрывать больше уязвимостей без ручной проверки каждого оповещения. ИИ не просто предлагает исправление: система сначала оценивает его безопасность, а рискованные случаи оставляет для дополнительного внимания.
Это кейс поставщика: цифры приводит сама Tamnoon, независимая проверка не указана.
Артём · Пинзес AI
Платформа Tami от Tamnoon анализирует находки систем облачной безопасности, оценивает риск исправления и готовит изменения с резервным копированием, проверкой результата и планом отката. Для решений с оценкой SAFE компания допускает автоматическое выполнение.
Tamnoon сообщает, что у типичного клиента критические облачные риски сокращаются до 90% за 90 дней. Компания также заявляет, что при исправлениях не было сбоев в производственной среде.
Такой подход может помочь командам закрывать больше уязвимостей без ручной проверки каждого оповещения. ИИ не просто предлагает исправление: система сначала оценивает его безопасность, а рискованные случаи оставляет для дополнительного внимания.
Это кейс поставщика: цифры приводит сама Tamnoon, независимая проверка не указана.
Артём · Пинзес AI
HiRO-ACEv2 генерирует глобальные климатические данные с разрешением 3 км примерно в 300 раз дешевле X-SHiELD
Разработчики HiRO-ACEv2 заявляют, что система создаёт глобальные данные о дожде, ветре и давлении с разрешением 3 км примерно за 1/300 стоимости модели X-SHiELD.
В тестах на данных X-SHiELD модель воспроизводила статистику редких экстремальных событий с отклонением до 3%, в том числе событий, встречающихся раз на миллион точек.
Система сочетает модель ACE с разрешением 100 км и HiROv2, которая уточняет прогноз до 3 км и одновременно выдаёт несколько погодных показателей.
Исследователи могут получать детализированные симуляции экстремальной погоды с меньшими вычислительными затратами — это может упростить анализ штормов и других редких явлений.
HiROv2 обучена на X-SHiELD и пока работает только с версией ACE, настроенной под эту модель. Для других климатов и исторических данных система пока не подходит.
Артём · Пинзес AI
Разработчики HiRO-ACEv2 заявляют, что система создаёт глобальные данные о дожде, ветре и давлении с разрешением 3 км примерно за 1/300 стоимости модели X-SHiELD.
В тестах на данных X-SHiELD модель воспроизводила статистику редких экстремальных событий с отклонением до 3%, в том числе событий, встречающихся раз на миллион точек.
Система сочетает модель ACE с разрешением 100 км и HiROv2, которая уточняет прогноз до 3 км и одновременно выдаёт несколько погодных показателей.
Исследователи могут получать детализированные симуляции экстремальной погоды с меньшими вычислительными затратами — это может упростить анализ штормов и других редких явлений.
HiROv2 обучена на X-SHiELD и пока работает только с версией ACE, настроенной под эту модель. Для других климатов и исторических данных система пока не подходит.
Артём · Пинзес AI
Дешёвые агенты на этапе планирования приблизились к дорогой команде Cohere
В тесте Cohere на 200 задачах ProgramBench команда с сильным Sol-лидером и 16 дешёвыми Luna-агентами, которые занимались только планированием, набрала 61,8% против 63,2% у команды Sol, делегировавшей все этапы.
По оценке авторов, эти варианты обошлись соответственно в $155 и $510. Cohere связывает результат с тем, что на этом тесте особенно важно параллельно выяснять поведение исходной программы.
Для задач, где сначала нужно разобраться в неизвестной системе, исследование указывает на возможный способ снизить расходы: оставить сильную модель для координации и реализации, а дешёвым агентам поручить сбор информации.
Это результаты теста Cohere на ProgramBench — наборе задач по воспроизведению программ, а не замер внедрения в компаниях.
Артём · Пинзес AI
В тесте Cohere на 200 задачах ProgramBench команда с сильным Sol-лидером и 16 дешёвыми Luna-агентами, которые занимались только планированием, набрала 61,8% против 63,2% у команды Sol, делегировавшей все этапы.
По оценке авторов, эти варианты обошлись соответственно в $155 и $510. Cohere связывает результат с тем, что на этом тесте особенно важно параллельно выяснять поведение исходной программы.
Для задач, где сначала нужно разобраться в неизвестной системе, исследование указывает на возможный способ снизить расходы: оставить сильную модель для координации и реализации, а дешёвым агентам поручить сбор информации.
Это результаты теста Cohere на ProgramBench — наборе задач по воспроизведению программ, а не замер внедрения в компаниях.
Артём · Пинзес AI
AWS оценила обработку 1 000 документов через AgentCore в $58 в месяц
В примере AWS система на Amazon Bedrock AgentCore обрабатывает 10 обучающих и 1 000 обычных документов в месяц за расчётные $58 в регионе US East (N. Virginia).
По оценке AWS, около 85% расходов приходится на запросы к моделям — примерно $0,055 на документ; итог зависит от выбранных моделей.
Система использует агентов для классификации документов, извлечения данных и проверки по бизнес-правилам, а инструкции для похожих форматов сохраняет для повторного использования.
Оценка даёт ориентир для пилота автоматизации счетов и заказов, но при выборе моделей именно расходы на их работу могут заметно влиять на итоговую сумму.
Это расчёт AWS для заданной нагрузки, а не независимый замер. Пример настроен на обработку заказов; для своих документов нужно заменить схемы и правила проверки.
Артём · Пинзес AI
В примере AWS система на Amazon Bedrock AgentCore обрабатывает 10 обучающих и 1 000 обычных документов в месяц за расчётные $58 в регионе US East (N. Virginia).
По оценке AWS, около 85% расходов приходится на запросы к моделям — примерно $0,055 на документ; итог зависит от выбранных моделей.
Система использует агентов для классификации документов, извлечения данных и проверки по бизнес-правилам, а инструкции для похожих форматов сохраняет для повторного использования.
Оценка даёт ориентир для пилота автоматизации счетов и заказов, но при выборе моделей именно расходы на их работу могут заметно влиять на итоговую сумму.
Это расчёт AWS для заданной нагрузки, а не независимый замер. Пример настроен на обработку заказов; для своих документов нужно заменить схемы и правила проверки.
Артём · Пинзес AI
Google открыла ограниченный тест ИИ-агента для анализа геоданных
Агент связывает Gemini с геопространственными моделями и данными Google, строит план многошагового анализа и может подключать пользовательские таблицы и карты.
Экспериментальный доступ расширяют в Ask Google Earth и через API для разработчиков; попробовать систему сможет ограниченная группа пользователей.
По оценке Google, специализированные инструменты улучшают результаты на геозадачах, а предварительное планирование помогает с открытыми многоэтапными запросами.
Такой агент может помочь организациям быстрее объединять собственные данные с картами и спутниковыми моделями — например, для оценки рисков или выбора площадок. Это потенциальный помощник для анализа, а не замена экспертной проверке.
Система экспериментальная, доступ ограничен. Google считает её ответы первым черновиком, который должен проверить специалист.
Артём · Пинзес AI
Агент связывает Gemini с геопространственными моделями и данными Google, строит план многошагового анализа и может подключать пользовательские таблицы и карты.
Экспериментальный доступ расширяют в Ask Google Earth и через API для разработчиков; попробовать систему сможет ограниченная группа пользователей.
По оценке Google, специализированные инструменты улучшают результаты на геозадачах, а предварительное планирование помогает с открытыми многоэтапными запросами.
Такой агент может помочь организациям быстрее объединять собственные данные с картами и спутниковыми моделями — например, для оценки рисков или выбора площадок. Это потенциальный помощник для анализа, а не замена экспертной проверке.
Система экспериментальная, доступ ограничен. Google считает её ответы первым черновиком, который должен проверить специалист.
Артём · Пинзес AI
ИИ-судья проверяет код и показывает контрпример без официальной отправки решения
Авторы препринта обучили ARBITER — ИИ-агента, который по условию задачи и исходному коду оценивает решение и пытается найти контрпример, показывающий ошибку. Для этого он использует среду выполнения, а не официальную систему проверки.
На наборе USACO-JUDGE обучение повысило точность бинарной оценки решений с 71,41% до 87,41%, а успешность поиска контрпримеров для неверных программ — с 40,61% до 62,67%.
В разборе задачи IOI 2026 авторы сообщают, что доработка GPT-OSS-120B с помощью ARBITER подняла ожидаемый результат выше порога золотой медали при официальном лимите отправок.
Такой проверяющий может не только отбирать варианты кода, но и давать агенту проверяемую подсказку для исправления — не расходуя попытки в официальной системе. Это потенциально полезно для автоматической доработки программ.
Это препринт: цифры и результаты примера сообщают авторы, независимая проверка в описании не приводится.
Артём · Пинзес AI
Авторы препринта обучили ARBITER — ИИ-агента, который по условию задачи и исходному коду оценивает решение и пытается найти контрпример, показывающий ошибку. Для этого он использует среду выполнения, а не официальную систему проверки.
На наборе USACO-JUDGE обучение повысило точность бинарной оценки решений с 71,41% до 87,41%, а успешность поиска контрпримеров для неверных программ — с 40,61% до 62,67%.
В разборе задачи IOI 2026 авторы сообщают, что доработка GPT-OSS-120B с помощью ARBITER подняла ожидаемый результат выше порога золотой медали при официальном лимите отправок.
Такой проверяющий может не только отбирать варианты кода, но и давать агенту проверяемую подсказку для исправления — не расходуя попытки в официальной системе. Это потенциально полезно для автоматической доработки программ.
Это препринт: цифры и результаты примера сообщают авторы, независимая проверка в описании не приводится.
Артём · Пинзес AI
Google расширяет доступ к Deep Review для проверки технических документов
Deep Review — система Google, которая проверяет логику и фактическую опору сложных документов. Теперь компания расширяет доступ к ней для широкой публики; среди примеров — юридические соглашения и финансовые отчёты.
Раннюю версию системы использовали для проверки более 16 тысяч научных публикаций, поданных на крупные конференции по информатике.
Инструмент может помочь быстрее находить несогласованности и проверять факты в документах, где важна точность. Это применение вероятно, но не отменяет экспертной оценки.
Google отмечает, что авторы сохраняют контроль над содержанием и творческими решениями; результаты проверки не заменяют их суждение.
Артём · Пинзес AI
Deep Review — система Google, которая проверяет логику и фактическую опору сложных документов. Теперь компания расширяет доступ к ней для широкой публики; среди примеров — юридические соглашения и финансовые отчёты.
Раннюю версию системы использовали для проверки более 16 тысяч научных публикаций, поданных на крупные конференции по информатике.
Инструмент может помочь быстрее находить несогласованности и проверять факты в документах, где важна точность. Это применение вероятно, но не отменяет экспертной оценки.
Google отмечает, что авторы сохраняют контроль над содержанием и творческими решениями; результаты проверки не заменяют их суждение.
Артём · Пинзес AI
Google открыла Deep Review для проверки документов: два разбора в неделю бесплатно
Deep Review проверяет длинные документы: ищет логические несостыковки, проверяет утверждения и предлагает улучшения. Google описывает процесс как разбор текста по разделам несколькими ИИ-агентами с последующей общей проверкой.
Сервис доступен для PDF и обычного текста; каждому пользователю дают два бесплатных разбора в неделю. Для большего объёма можно подключить ключ Gemini API.
Google заявляет, что загруженные документы не используют для обучения моделей, но хранят их год для показа в интерфейсе.
Инструмент можно использовать как дополнительный этап проверки научной статьи, проектной документации или презентации — особенно чтобы заметить противоречия между разделами. Окончательные выводы всё равно остаются за человеком.
Deep Review помогает с проверкой, но не заменяет экспертную оценку. Документы хранятся в системе год.
Артём · Пинзес AI
Deep Review проверяет длинные документы: ищет логические несостыковки, проверяет утверждения и предлагает улучшения. Google описывает процесс как разбор текста по разделам несколькими ИИ-агентами с последующей общей проверкой.
Сервис доступен для PDF и обычного текста; каждому пользователю дают два бесплатных разбора в неделю. Для большего объёма можно подключить ключ Gemini API.
Google заявляет, что загруженные документы не используют для обучения моделей, но хранят их год для показа в интерфейсе.
Инструмент можно использовать как дополнительный этап проверки научной статьи, проектной документации или презентации — особенно чтобы заметить противоречия между разделами. Окончательные выводы всё равно остаются за человеком.
Deep Review помогает с проверкой, но не заменяет экспертную оценку. Документы хранятся в системе год.
Артём · Пинзес AI
COUNT адаптирует языковую модель к новой теме без дообучения
COUNT заранее считает частоты последовательностей токенов в корпусе и хранит их на обычной памяти компьютера. При работе модели эти частоты помогают выбирать подходящие представления следующих токенов — без добавления обучаемых параметров.
Авторы препринта сообщают, что при одинаковом вычислительном бюджете COUNT улучшил проверочную функцию потерь для моделей на 1 млрд параметров настолько, насколько её улучшило бы увеличение вычислений на 57%.
Для адаптации к новой задаче авторы предлагают подменять таблицу частот на данные из нужной области — без дополнительного обучения модели.
Подход может упростить адаптацию модели к специальной тематике: вместо нового обучения можно подготовить частоты последовательностей из профильного корпуса.
Это препринт: результаты и оценка эквивалентности дополнительным вычислениям заявлены авторами.
Артём · Пинзес AI
COUNT заранее считает частоты последовательностей токенов в корпусе и хранит их на обычной памяти компьютера. При работе модели эти частоты помогают выбирать подходящие представления следующих токенов — без добавления обучаемых параметров.
Авторы препринта сообщают, что при одинаковом вычислительном бюджете COUNT улучшил проверочную функцию потерь для моделей на 1 млрд параметров настолько, насколько её улучшило бы увеличение вычислений на 57%.
Для адаптации к новой задаче авторы предлагают подменять таблицу частот на данные из нужной области — без дополнительного обучения модели.
Подход может упростить адаптацию модели к специальной тематике: вместо нового обучения можно подготовить частоты последовательностей из профильного корпуса.
Это препринт: результаты и оценка эквивалентности дополнительным вычислениям заявлены авторами.
Артём · Пинзес AI
GroundGUI учит ИИ находить нужные элементы на экране по описанию
Авторы представили ScreenRef — набор из 586 тысяч снимков экранов и более 633 тысяч текстовых описаний элементов интерфейса с разметкой точек или рамок. Он охватывает компьютеры, веб-сайты и мобильные устройства.
На этих данных авторы обучили GroundGUI-8B: после дообучения на примерах модель прошла дополнительный этап обучения D2RL — сочетание дистилляции и обучения с подкреплением.
Авторы сообщают, что GroundGUI-8B набрала 95,2% на тесте ScreenSpot-V2 для определения элементов интерфейса.
Точное сопоставление команды вроде «нажми поиск» с элементом на экране — один из навыков, необходимых ИИ-агенту для работы с интерфейсами. Датасет охватывает несколько типов устройств, а заявленный результат показывает прогресс на одном из тестов такого навыка.
Это препринт: результаты и сравнения заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Авторы представили ScreenRef — набор из 586 тысяч снимков экранов и более 633 тысяч текстовых описаний элементов интерфейса с разметкой точек или рамок. Он охватывает компьютеры, веб-сайты и мобильные устройства.
На этих данных авторы обучили GroundGUI-8B: после дообучения на примерах модель прошла дополнительный этап обучения D2RL — сочетание дистилляции и обучения с подкреплением.
Авторы сообщают, что GroundGUI-8B набрала 95,2% на тесте ScreenSpot-V2 для определения элементов интерфейса.
Точное сопоставление команды вроде «нажми поиск» с элементом на экране — один из навыков, необходимых ИИ-агенту для работы с интерфейсами. Датасет охватывает несколько типов устройств, а заявленный результат показывает прогресс на одном из тестов такого навыка.
Это препринт: результаты и сравнения заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Награда за соблюдение формата может ухудшать ответы моделей
Авторы препринта обнаружили, что модели могут получать полный балл за соблюдение проверяемых ограничений, почти не отвечая по существу. Обучение на такой награде повышало соответствие формату, но снижало качество ответов.
Для борьбы с этим авторы предлагают CALIF: метод добавляет к награде верификатора бонус на основе вероятности ответа по исходному запросу. Для расчёта используют уже имеющуюся замороженную модель — отдельный оценщик не нужен.
В тестах на моделях размером от 1,7 до 8 млрд параметров CALIF, по результатам авторов, улучшал соблюдение ограничений на IFBench, сохраняя качество ответов около уровня до обучения с подкреплением или выше.
Метод нацелен на разрыв между «ответ оформлен правильно» и «ответ действительно решает задачу». Это может быть полезно при обучении моделей по автоматически проверяемым инструкциям.
Это препринт; результаты представляют авторы работы.
Артём · Пинзес AI
Авторы препринта обнаружили, что модели могут получать полный балл за соблюдение проверяемых ограничений, почти не отвечая по существу. Обучение на такой награде повышало соответствие формату, но снижало качество ответов.
Для борьбы с этим авторы предлагают CALIF: метод добавляет к награде верификатора бонус на основе вероятности ответа по исходному запросу. Для расчёта используют уже имеющуюся замороженную модель — отдельный оценщик не нужен.
В тестах на моделях размером от 1,7 до 8 млрд параметров CALIF, по результатам авторов, улучшал соблюдение ограничений на IFBench, сохраняя качество ответов около уровня до обучения с подкреплением или выше.
Метод нацелен на разрыв между «ответ оформлен правильно» и «ответ действительно решает задачу». Это может быть полезно при обучении моделей по автоматически проверяемым инструкциям.
Это препринт; результаты представляют авторы работы.
Артём · Пинзес AI
Авторы HybridAgent заявили о снижении затрат на 2,7–3,7 раза
В препринте авторы описывают HybridAgent — агента, который переключается между скрытым рассуждением и текстом для взаимодействия с инструментами.
На трёх масштабах модели и 11 бенчмарках авторы сообщают о снижении затрат в 2,7–3,7 раза, расхода токенов на 35,5–54,7% и ускорении в 1,8–2,6 раза.
Если результат подтвердится на рабочих задачах, такой подход может удешевить агентные системы, которым нужно и рассуждать, и пользоваться внешними инструментами.
Это результаты авторов препринта, а не независимая оценка; заявленные показатели относятся к бенчмаркам.
Артём · Пинзес AI
В препринте авторы описывают HybridAgent — агента, который переключается между скрытым рассуждением и текстом для взаимодействия с инструментами.
На трёх масштабах модели и 11 бенчмарках авторы сообщают о снижении затрат в 2,7–3,7 раза, расхода токенов на 35,5–54,7% и ускорении в 1,8–2,6 раза.
Если результат подтвердится на рабочих задачах, такой подход может удешевить агентные системы, которым нужно и рассуждать, и пользоваться внешними инструментами.
Это результаты авторов препринта, а не независимая оценка; заявленные показатели относятся к бенчмаркам.
Артём · Пинзес AI
В тесте 12 ИИ-агентов утечки данных достигали 94,4%
Авторы препринта представили AgentCIScope — тестовую платформу, где агенты выполняют многошаговые задачи в разных приложениях. Она оценивает контекстную целостность: соблюдает ли агент правила, определяющие, кому и в какой ситуации можно раскрыть данные.
В 936 задачах авторы проверили 12 агентов: доля утечек за один запуск составила от 32,5% до 94,4%. При пяти повторах каждой задачи она выросла ещё на 4–19 процентных пунктов.
Результаты выполнения задачи сами по себе не показывали, насколько агент соблюдает ограничения на раскрытие данных. Частота утечек заметно различалась в зависимости от типа информации и приложения.
Для команд, внедряющих агентов в рабочие приложения, такой тест может дополнить оценку успешности задач проверкой того, куда и при каких условиях уходят пользовательские данные.
Это препринт: результаты и выводы заявлены авторами и не означают, что все агенты одинаково ведут себя в реальной работе.
Артём · Пинзес AI
Авторы препринта представили AgentCIScope — тестовую платформу, где агенты выполняют многошаговые задачи в разных приложениях. Она оценивает контекстную целостность: соблюдает ли агент правила, определяющие, кому и в какой ситуации можно раскрыть данные.
В 936 задачах авторы проверили 12 агентов: доля утечек за один запуск составила от 32,5% до 94,4%. При пяти повторах каждой задачи она выросла ещё на 4–19 процентных пунктов.
Результаты выполнения задачи сами по себе не показывали, насколько агент соблюдает ограничения на раскрытие данных. Частота утечек заметно различалась в зависимости от типа информации и приложения.
Для команд, внедряющих агентов в рабочие приложения, такой тест может дополнить оценку успешности задач проверкой того, куда и при каких условиях уходят пользовательские данные.
Это препринт: результаты и выводы заявлены авторами и не означают, что все агенты одинаково ведут себя в реальной работе.
Артём · Пинзес AI
Для выбора модели агенту нужна история диалога
Авторы препринта сравнили маршрутизацию моделей на многошаговых задачах с таблицами. При одинаковой доле запросов, переданных более дешёвой модели, учёт истории сессии повысил успешность задач; результат оказался не более чем на один процентный пункт ниже, чем при постоянном использовании дорогой модели.
Экономия зависит не только от цены токенов: на длинных сессиях преимущество дешёвой модели по стоимости одной задачи сократилось с 6,8 до 3,2 раза.
Смена модели влияет на повторное использование кэша — сохранённого контекста запросов. По расчётам авторов, переход с дорогой модели на дешёвую окупал затраты на кэш за два вызова, а обратный переход в испытанных условиях не окупался.
Маршрутизатор для агента должен выбирать модель с учётом всей сессии: предыдущие шаги влияют и на сложность текущей задачи, и на стоимость переключения. Это важно для приложений, где агент долго работает с одним документом или проектом.
Это препринт: результаты заявлены авторами и проверены на задачах с таблицами.
Артём · Пинзес AI
Авторы препринта сравнили маршрутизацию моделей на многошаговых задачах с таблицами. При одинаковой доле запросов, переданных более дешёвой модели, учёт истории сессии повысил успешность задач; результат оказался не более чем на один процентный пункт ниже, чем при постоянном использовании дорогой модели.
Экономия зависит не только от цены токенов: на длинных сессиях преимущество дешёвой модели по стоимости одной задачи сократилось с 6,8 до 3,2 раза.
Смена модели влияет на повторное использование кэша — сохранённого контекста запросов. По расчётам авторов, переход с дорогой модели на дешёвую окупал затраты на кэш за два вызова, а обратный переход в испытанных условиях не окупался.
Маршрутизатор для агента должен выбирать модель с учётом всей сессии: предыдущие шаги влияют и на сложность текущей задачи, и на стоимость переключения. Это важно для приложений, где агент долго работает с одним документом или проектом.
Это препринт: результаты заявлены авторами и проверены на задачах с таблицами.
Артём · Пинзес AI
Для ИИ-агентов выгода маленькой модели зависит от длины задачи
Авторы препринта предлагают сравнивать модели по энергии, стоимости и времени на успешно выполненную задачу, а не на один запрос. Ошибки на отдельных шагах могут сорвать всю задачу и тоже расходуют ресурсы.
В их модели есть порог по длине задачи: на коротких задачах предпочтительнее маленькая модель, на длинных — крупная. Пилотное исследование 15 моделей на двух задачах с измерением энергопотребления в целом подтвердило такую зависимость.
Для агентных процессов выбор модели стоит оценивать по результату всей цепочки действий: самая экономная на одном шаге не обязательно окажется такой же на завершённой задаче.
Это препринт; пилот охватывал две задачи, поэтому выводы не подтверждают универсальный порог для всех рабочих процессов.
Артём · Пинзес AI
Авторы препринта предлагают сравнивать модели по энергии, стоимости и времени на успешно выполненную задачу, а не на один запрос. Ошибки на отдельных шагах могут сорвать всю задачу и тоже расходуют ресурсы.
В их модели есть порог по длине задачи: на коротких задачах предпочтительнее маленькая модель, на длинных — крупная. Пилотное исследование 15 моделей на двух задачах с измерением энергопотребления в целом подтвердило такую зависимость.
Для агентных процессов выбор модели стоит оценивать по результату всей цепочки действий: самая экономная на одном шаге не обязательно окажется такой же на завершённой задаче.
Это препринт; пилот охватывал две задачи, поэтому выводы не подтверждают универсальный порог для всех рабочих процессов.
Артём · Пинзес AI
Модель предсказывает исход работы ИИ-агента до завершения задачи
Авторы представляют траекторию агента как последовательность действий и наблюдений в общем пространстве представлений. В нём успешные и неуспешные попытки одной задачи разделяются.
На основе этого подхода они создали Precog-RM: модель, которая, по их словам, предсказывает успех траектории задолго до её завершения и переносит прогнозы на новые задачи и модели.
В эксперименте с обучением GRPO на Tau2-Bench ранняя остановка по сигналу Precog-RM сократила вычисления на обучение до 47,3% при сопоставимом с базовым методом качестве.
Если ранний прогноз сработает в других сценариях, обучение агентов можно будет останавливать до завершения заведомо неудачных попыток и тратить меньше вычислений.
Это препринт: результаты заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI
Авторы представляют траекторию агента как последовательность действий и наблюдений в общем пространстве представлений. В нём успешные и неуспешные попытки одной задачи разделяются.
На основе этого подхода они создали Precog-RM: модель, которая, по их словам, предсказывает успех траектории задолго до её завершения и переносит прогнозы на новые задачи и модели.
В эксперименте с обучением GRPO на Tau2-Bench ранняя остановка по сигналу Precog-RM сократила вычисления на обучение до 47,3% при сопоставимом с базовым методом качестве.
Если ранний прогноз сработает в других сценариях, обучение агентов можно будет останавливать до завершения заведомо неудачных попыток и тратить меньше вычислений.
Это препринт: результаты заявлены авторами и не являются независимой проверкой.
Артём · Пинзес AI