🌍 Четыре агента на Gemini прошли Minecraft за 27 часов и победили Эндер-дракона

Исследователи Максанс Фальдор, Сатиндер Сингх и Роберта Райляну опубликовали на arXiv эксперимент: четыре обычных кодинг-агента на базе Gemini 4 Argon прошли Minecraft в режиме выживания и убили дракона. Никакой специализированной игровой системы, ролей и готовых инструментов не было. Партия заняла 27 часов 14 минут и 2783 написанные агентами программы.

Агенты не видели экрана и не нажимали клавиш. Каждый управлял персонажем через библиотеку Mineflayer: писал короткую программу, запускал и читал вывод, то есть позицию, здоровье, инвентарь или ошибку. Общались через игровой чат и общую память. Мир случайный, сложность Easy, мобы враждебные.

Уже через 10 минут агенты сами распределили роли: инструменты, еда, алмазы, портал в Нижний мир. Для поиска крепости один бросил предмет-указатель из двух точек, отследил траектории в коде и вычислил пересечение. Крепость была в 1,3 км, ошибка составила 43 метра.

Дракон стал самым тяжёлым этапом: агенты возрождались 69 раз и между попытками записывали выводы. Один заметил, что дракона лечат кристаллы на башнях, насыпал землю у башни, разбил кристалл рукой и спустился. Финальный удар нанёс игрок, у которого оставалось 2,5 единицы здоровья из 20.

Для честности добавили пятого агента, Observer, который искал читы и обход условий. Программы могли управлять только своим персонажем, без запуска процессов, записи файлов и серверных команд. Нарушений не нашли ни он, ни ручная проверка логов.

Ограничения авторы называют сами. Агенты получали точные данные о блоках и существах через API, а не картинку, маршруты прокладывал плагин поиска пути, а сложность была низкой. Ошибок хватало: 605 смертей за игру и 22% программ завершились сбоем. Следующий шаг, игра по пикселям через виртуальные клавиатуру и мышь.

Общий файл заметок, растущая библиотека переиспользуемых функций (одна из них использовалась в 655 программах), разбор неудач перед новой попыткой и отдельный агент-наблюдатель, проверяющий честность решения.

Отчёт: https://arxiv.org/abs/2610.22319

Источник: https://uproger.com/gemini-agenty-minecraft/

🧬 ИИ научился расшифровывать сигналы, которые определяют судьбу клеток

Как стволовая клетка становится частью сердца, мозга или лёгких? В этом ей помогают химические сигналы от соседних клеток.

Исследователи MIT и Института Уайтхеда создали IRIS, модель, которая по активности генов определяет, какие сигналы получала клетка. Каждый сигнальный путь оставляет характерный «отпечаток», который ИИ учится распознавать.

Модель обучили на человеческих эмбриональных стволовых клетках, а затем применили к клеткам эмбрионов мышей, включая типы, которых она раньше не видела.

IRIS предсказала, что активация определённого сигнального пути поможет сформировать клетки, важные для развития лёгких. Эксперименты на мышиных эмбрионах подтвердили прогноз.

В перспективе это поможет точнее выращивать органоиды, лабораторные модели органов, для изучения болезней и проверки лекарств. Восстановление повреждённых тканей остаётся дальнейшей целью.

https://news.mit.edu/2026/ai-model-decodes-language-cells-use-communicate-1015

Синтетика для агентов: зачем нужен симулятор мира

Исследовательница Юхань Ло (Yuhan Luo) опубликовала эссе с говорящим названием «Мы думаем о синтетических данных слишком узко». Её тезис: синтетика давно перестала быть задачей «прогнать модель по шаблонам и получить побольше примеров». Когда мы обучаем агентов вести целые рабочие процессы, генератор данных превращается в отдельную исследовательскую систему со своими задачами, средами, проверяющими и людьми в контуре. Разбираем главные идеи и показываем, как одна из них выглядит в коде.

https://uproger.com/sinteticheskie-dannye-dlya-agentov/


🧩 Каждый раз, когда ра...

🧠 Физик дал Claude проверить свои статьи по квантовой гравитации. Нашлись ошибки спустя почти 20 лет.

Эмре Онур Кахья опубликовал аудит двух работ 2007–2008 годов, соавтором которых был сам. Claude Opus 5.5 использовали для пошагового повторения вычислений, а результаты отдельно проверяли кодом на SymPy и mpmath.

По данным проекта, обнаружились 4 существенных замечания, 6 ошибок, поглощаемых перенормировкой, и 23 опечатки. Среди находок: неверный общий знак и пропущенные слагаемые.

При этом основной физический вывод сохранился: в рассмотренной модели значимой однопетлевой поправки на поздних временах нет.

В репозитории доступны выкладки, код и 38 проверочных запусков для воспроизведения результатов. Автор также перечислил ограничения аудита и места, которые ещё должен проверить эксперт.

https://github.com/eokahya/claude-audits-quantum-gravity

🧠 ИИ доказывает теоремы. Зачем тогда идти в математику? Создатель 3Blue1Brown отвечает

«Никогда ещё не было лучшего времени, чтобы заниматься математикой», считает Грант Сандерсон.

Его аргумент: работа математика гораздо шире поиска доказательств. Нужно выбирать вопросы, формулировать гипотезы, строить теории, находить связи и объяснять результаты другим.

Даже если ИИ превзойдёт людей в доказательстве теорем, математическое образование сохранит ценность. Самостоятельное решение задач развивает мышление, как тренировка развивает тело: наличие машины, способной поднять больший вес, не делает спорт бессмысленным.

По мнению Сандерсона, ИИ может резко расширить возможности исследований. При этом придётся пересмотреть, за что именно учёные получают признание, когда доказательства всё чаще создаются с помощью машин.

Для начинающих это шанс участвовать в формировании новых правил работы целой науки.

https://www.youtube.com/watch?v=LKrwhjOI8Nc