Не монолитами едиными достигать соты!

Adaptation of Agentic AI
Pengcheng Jiang, Jiacheng Lin, Zhiyi Shi, Zifeng Wang, Luxi He, Yichen Wu, Ming Zhong, Peiyang Song, Qizheng Zhang, Heng Wang, Xueqiang Xu, Hanwen Xu, Pengrui Han, Dylan Zhang, Jiashuo Sun, Chaoqi Yang, Kun Qian, Tian Wang, Changran Hu, Manling Li, Quanzheng Li, Hao Peng, Sheng Wang, Jingbo Shang, Chao Zhang, Jiaxuan You, Liyuan Liu, Pan Lu, Yu Zhang, Heng Ji, Yejin Choi, Dawn Song, Jimeng Sun, Jiawei Han
Статья: https://arxiv.org/abs/2512.16301
Код: https://github.com/pat-jj/Awesome-Adaptation-of-Agentic-AI
Ревью: https://arxiviq.substack.com/p/adaptation-of-agentic-ai

# TL;DR

ЧТО сделали: Предложили единую таксономию «Агентной адаптации», классифицирующую, как ИИ-системы обучаются через взаимодействие. Всё пространство решений разбили на четыре парадигмы по двум осям: локусу оптимизации (что меняем: Агента или Инструмент) и источнику сигнала (выполнение инструмента или выход агента).

ПОЧЕМУ это важно: Фреймворк подсвечивает сдвиг в проектировании систем: переход от дорогого монолитного файнтюнинга моделей к «Симбиотической инверсии» (адаптации лёгких инструментов под замороженного агента). Это позволяет получать SOTA-результаты, используя на порядки меньше данных и вычислений, чем требуют современные рассуждающие модели вроде DeepSeek-R1 (https://arxiv.org/abs/2501.12948).

Подробнее: https://t.me/gonzo_ML_podcasts/1903

Всех с Новым Годом!!! 🎄

DeepSeek выкатили под новый год работу про более стабильные hyper-connections (HC, не путать с hyper networks). HC — это расширенный (многоканальный и более широкий) вариант residual connections. Раньше взрывался, а теперь не взрывается. Профит!

mHC: Manifold-Constrained Hyper-Connections
Zhenda Xie, Yixuan Wei, Huanqi Cao, Chenggang Zhao, Chengqi Deng, Jiashi Li, Damai Dai, Huazuo Gao, Jiang Chang, Liang Zhao, Shangyan Zhou, Zhean Xu, Zhengyan Zhang, Wangding Zeng, Shengding Hu, Yuqing Wang, Jingyang Yuan, Lean Wang, Wenfeng Liang
Статья: https://arxiv.org/abs/2512.24880
Ревью: https://arxiviq.substack.com/p/mhc-manifold-constrained-hyper-connections

# TL;DR

ЧТО сделали: Авторы из DeepSeek-AI предложили Manifold-Constrained Hyper-Connections (mHC). Это фреймворк, модифицирующий архитектуру Hyper-Connections (гипер-связи) путём проекции матриц смешивания резидуальных потоков на многогранник Биркгофа (множество дважды стохастических матриц). Реализовано это через дифференцируемый алгоритм Синкхорна-Кноппа, встроенный прямо в forward pass.

ПОЧЕМУ это важно: Расширение резидуальных потоков увеличивает ёмкость модели, но обычно ломает свойство тождественного отображения (Identity Mapping), критически важное для глубокого обучения. Это ведёт к взрыву сигнала и нестабильности. mHC математически восстанавливает это свойство, позволяя масштабировать ширину сети (а не только глубину) и создавать сложные топологии без проблем с градиентами и без существенного оверхеда по памяти.

Подробнее: https://t.me/gonzo_ML_podcasts/1919

#2025

Продолжу традицию подбивания результатов. В 2024-м было так. Я снова не тратил слишком много времени на подробный анализ, и попробовал собрать свой список относительно быстро. Писал текст дольше 🙂

Что всплыло в памяти про прошедший год

1. Year of agents

Определённо, 2025-й был годом агентов (и немного мультиагентов). Выглядит как очередное поветрие, коих сменилась уже масса — была мода на ML, была мода на AI, в этом году мода на агентов. Они теперь везде, стартапы заменяют “Loading…” на “Thinking…”, в каждую индустрию запихивают агентов — есть агенты для продаж, для маркетинга, для написания кода, да для всего уже, наверное, есть. Здесь мы говорим про LLM или AI-агентов, могут быть, конечно, и другие, и без всякого AI.

Единого определения агента, кажется, так и не появилось (как и для AI), но это не очень важно. Обычно под агентами подразумевают сущность с некоторым уровнем автономности, который может быть очень разным — от почти никакой до довольно полной. Агент обычно имеет доступ к тулам для взаимодействия с окружающим миром (дёргать API, ходить в поиск и базы данных, запускать код и команды ОС, и прочее), часто (но не всегда) имеет какую-то память, и делает ризонинг с помощью LLM — отсюда его вероятностная природа и частое отсутствие надёжности уровня “хоть сколько-нибудь девяток”.

API основных LLM эволюционировали в сторону агентности. Например, у OpenAI, сейчас API четвёртого поколения Responses API, до него были продолжающее промпты Completions API, работающее с историей чата Chat Completions API, и экспериментальное Assistants API. Теперь на уровне API есть встроенные тулы и способность вызывать внешние MCP. У Гугла свежее Interactions API в бете с возможностью вызывать как модели, так и агентов (типа Deep Research). Ну и так далее, все движутся в сторону API с агентскими возможностями. Плюс всё больше вокруг агентских фреймворков и визуальных построителей воркфлоу.

Агентов будет больше, жить будет веселее. Ждём развития этой волны в 2026-м. Я уверен, мы в целом научимся делать более надёжных и полезных агентов для всё большего количества областей.

2. MCP is one year old

Протокол MCP прочно занял своё место в мире, все основные агенты и интерфейсы моделей его поддерживают (типа Claude Desktop, Cursor, и прочее). Поначалу большая часть MCP серверов запускалась локально и общалась с агентом через stdio, но теперь всё больше становится Remote MCP серверов с общением через HTTP. За этим, мне кажется, большая тема, этот год покажет.

В ноябре 2025 MCP исполнился год, а в декабре 2025 Антропик передал протокол в свежесозданный Agentic AI Foundation внутри Linux Foundation. OpenAI туда же задонейтил AGENTS.md.

Более высокоуровневый протокол для взаимодействия агентов, A2A от Гугла, ещё ранее был отдан Гуглом в Lunux Foundation и тоже продолжает развиваться. Новые фреймворки типа ADK его поддерживают, вероятно весь адопшн ещё впереди.

3. Code agents

Снова про агентов, более конкретно про агентов для кода. Они шагнули за год сильно вперёд. Если год назад в основном польза была 1) в режиме копайлота, который даёт более умные саджесты и может написать какие-то куски кода внутри IDE, и 2) через общение с OpenAI/Claude/Gemini в режиме чата и копи-паста туда-сюда; то теперь есть гораздо более самостоятельные агенты внутри Cursor/Antigravity/…, которые вполне могут выполнять многошаговые действия на уровне репозитория или нескольких. Общение с такими агентами уже сильно за пределами продолжения промпта и саджеста, появляются фреймворки для spec-driven development (типа speckit) и в целом разработка с AI тулами становится более зрелой. Это ещё не предел, давно жду.

4. Chinese AI

DeepSeek, конечно, стал офигенным прорывом, особенно R1, пожалуй. После него стало понятно, что гэп между американскими фронтирными компаниями и остальными, возможно, не такой уж и большой. Знатно некоторые товарищи забегали. Благодаря этой работе (а не оригинальной DeepSeekMath из 2024), RL алгоритм GRPO (Group Relative Policy Optimization) стал чуть ли не стандартом, везде теперь используется (хоть после него уже и много чего ещё появилось).

Qwen и до DeepSeek был очень хорош, и продолжает быть таковым. Их модели, в отличие от DeepSeek по крайней мере можно запускать на железе разумного размера, без кластеров H100. Часто являются дефолтными моделями для старта, как выясняется даже для американских стартапов.

Есть и много других интересных моделей: Kimi K2, MiniMax, GLM, Hunyuan, теперь ещё и IQuest-Coder. Что тут ещё сказать, молодцы.

5. JEPA + World Models

Тему про модели мира я люблю, писал про неё и в прошлый раз, и мне кажется за год здесь много всего произошло, количество понемногу переходит в качество.

Во-первых, появилось 100500 вариантов и развитий JEPA: V-JEPA 2, VL-JEPA, LLM-JEPA, LeJEPA, JEPA as a Neural Tokenizer, а также близкая к JEPA NEPA.

Во-вторых, сам Лекун ушёл делать свой стартап про World Models.

А ещё вышел Dreamer 4, появилась гугловая Genie 3 (после первой версии всё без статей 🙁), и в целом движ идёт.

6. TPU rises, NVIDIA defends

NVIDIA — самая дорогая компания мира и по-прежнему лидер, но почему-то неожиданно оказалось, что топовые модели можно обучать и без её железа. Пока лучший пример — Гугл, обучивший очень хорошую Gemini 3 (и все предыдущие Gemini) на своём TPU. TPU продолжает развиваться, есть какие-то разговоры про поставку железа за пределы Гугла (в Anthropic), и было бы интересно, если бы эта альтернатива появилась на открытом рынке. NVIDIA в свою очередь разбирается с конкурентами, вот прямо перед новым годом как бы съела Groq. Китайцы тем временем усиленно пытаются перейти на своё и на государственном уровне пытаются отвязаться от Нвидии — какая-никакая своя экосистема у них есть.

Про другие ASIC сказать труднее. Ну вот Cerebras вроде как жив и продолжает производить свои супер-вафли, которые также можно поюзать в облаке. GraphCore как компания жив, но что-то от них ничего особо интересного не слышно, хотя архитектура их чипов была любопытная. Знаю, что используют внутри JAX, подарил свою книжку их Engineering Fellow. SambaNova вроде тоже что-то делает, и (я пропустил) оказывается Intel изъявил желание её купить. За интелом правда солидный трек убийства разных купленных компаний, с одной Nervana они годами кормили нас завтраками про новые чипы, которые так и не вышли.

7. AGI/ASI hype & 2027 scenario delayed

Сценарий появления сверхчеловеческого ИИ под названием AI 2027 как оказалось откладывается.

Но ничего, авторы выпустили обновлённую версию под названием The AI Futures Model с оценкой на май 2031 про появление Automatic Coder, который может автоматизировать создание ASI, и июль 2034, когда разница между ASI и лучшим человеком будет в два раза выше, чем между лучшими людьми и медианными профессионалами, и так по всем когнитивным задачам.

Чуть подробнее по-русски тут, а вообще читайте сайт, там красиво всё сделали, навигация особенно прикольная.

AGI/ASI хайп, кажется подсдулся. Некоторые товарищи слишком оголтело всё обещали и ничего не заделиверили, так что одни теперь говорят, что термин AGI мол не очень полезный нынче; другие заявляют, что термин overhyped (сложно было не согласиться); ну и так далее.

Но рано или поздно всё равно всё будет.

8. AI+Science

В этом году было много работ про агентов для науки. AI Scientist-v2 от Sakana создал статью, которая прошла пир ревью на воркшоп ICLR. Было много других работ про агентов для науки, где понемножку отдельные шаги исследований мы начинаем покрывать. Например, (это или это). Такого будет больше.

Про математику отдельно писать не буду, но здесь тоже большой прорыв, сразу несколько компаний показали результаты сопоставимые с золотой медалью на международной математической олимпиаде.

Много работ, где к нейросеткам добавляют эволюцию, в частности где LLM управляет этой эволюцией. Сходу вспоминается AlphaEvolve, ShinkaEvolve, Gödel Agent, GEPA, OpenEvolve и DeepEvolve.

DeepResearch вообще стал коммодити. И готовых имплементаций уже навалом, и через API можно использовать уже, тот же гугловый.

9. Media generation on the rise

Генерация картинок и видео за этот год очень прокачалась. Sora и Sora 2, Veo 3 и прочие генерят очень неплохо. У меня в ленте фейсбука уже довольно много AI-generated видео, не про все легко понять, что они ненастоящие. Началось, короче.

В нише для взрослых и не очень, похоже, тоже всё процветает, генерация полуодетых девушек на потоке; видел, что появились приложения про виртуальных подружек.

В генерации картинок в целом уже было всё довольно хорошо, но по мне так Nano Banana Pro знатно продвинула всё вперёд, такой хорошей работы с текстом я до неё не встречал. Теперь у нас есть комиксы, хоть они вас, возможно, и достали 🙂

10. Model welfare

Слово года для меня. Подробнее тут: https://www.anthropic.com/research/exploring-model-welfare

X. What else?

Убийцы трансформеров не появилось, зато гибриды трансформеров и мамбы (и всяких других SSM-подобных штук) продолжают плодиться. KAN’ы из прошлого года как-то сильно пока никого не потеснили, но где-то локально вроде используются. Какую-то новую архитектуру сложно назвать, из условно прикольного были Tversky Neural Networks, но не ожидаю от них какого-то особого прорыва, честно говоря. Рекуррентность возвращается, на ARC-AGI пришло несколько моделей, воскрешающих старые идеи Universal Transformer — HRM, TRM, URM. Много было работ про reasoning in the latent space (например, это и это), ожидаю дальнейшего развития.

———

Что важного упустил?

Да, чуть картинку не забыл!

Забористая штука! Предлагают подход к созданию искусственных сред (или игр) с детерминированной сущностной компонентой и стохастической выразительной. Лучше всего полистать примеры на сайте сначала.

Web World Models
Jichen Feng, Yifan Zhang, Chenggong Zhang, Yifu Lu, Shilong Liu, Mengdi Wang
Статья: https://arxiv.org/abs/2512.23676
Код: https://princeton-ai2-lab.github.io/Web-World-Models/
Ревью: https://arxiviq.substack.com/p/web-world-models

# TL;DR

ЧТО сделали: Представили Web World Model (WWM) — гибридную архитектуру, разделяющую состояние среды на два слоя: детерминированный слой «Физики», работающий на стандартном веб-коде (TypeScript/JSON), и вероятностный слой «Воображения», синтезируемый LLM. Через серию реализаций — от бесконечных процедурных галактик до карточных игр и клеточных автоматов — авторы показали, как создавать согласованные и фактически бесконечные миры без огромных баз данных и склонных к галлюцинациям сквозных (end-to-end) генеративных моделей.

ПОЧЕМУ это важно: Работа закрывает «недостающее звено» между жесткими, конечными веб-приложениями и неконтролируемыми, полностью генеративными моделями мира (наподобие World Models, https://arxiv.org/abs/1803.10122). Рассматривая современный веб-стек как нейро-символьный субстрат, авторы предлагают практический план развертывания долгоживущих агентов, способных исследовать бесконечные пространства состояний, сохраняя при этом структурные гарантии, необходимые для игровой механики и надежности ПО.

Подробнее: https://t.me/gonzo_ML_podcasts/1929

Развитие темы про Large Concept Model (LCM) и Byte Latent Transformer (BLT), в каком-то смысле микс обеих. В LCM уходили в работу с концептами предложений через предобученные SONAR энкодер и декодер, в BLT динамически объединяли символы в латентные токены/патчи на основе энтропии через отдельную модель. Здесь по сути BLT без отдельной модели и end-to-end, определяющий границы концептов/патчей через косинусное несходство между проекциями соседних токенов.

Dynamic Large Concept Models: Latent Reasoning in an Adaptive Semantic Space
Xingwei Qu, Shaowen Wang, Zihao Huang, Ge Zhang, Kai Hua, Fan Yin, Rui-Jie Zhu, Jundong Zhou, Qiyang Min, Zihao Wang, Yizhi Li, Tianyu Zhang, He Xing, Zheng Zhang, Yuxuan Song, Tianyu Zheng, Zhiyuan Zeng, Chenghua Lin, Wenhao Huang
Статья: https://arxiv.org/abs/2512.24617
Ревью: https://arxiviq.substack.com/p/dynamic-large-concept-models-latent

# TL;DR

ЧТО сделали: Представили архитектуру Dynamic Large Concept Models (DLCM). Она ломает привычную парадигму равномерных вычислений LLM, где каждый токен обрабатывается с одинаковой глубиной. Вместо этого DLCM динамически группирует токены в "концепты" переменной длины на основе выученных семантических границ. Эти концепты обрабатываются мощным "думающим" бэкбоном в сжатом латентном пространстве, а затем декодируются обратно в токены.

ПОЧЕМУ это важно: Это структурный сдвиг от предсказания следующего токена к "рассуждению следующим концептом". Отвязав гранулярность вычислений от количества поверхностных токенов, модель лучше справляется с задачами на рассуждение (вроде ARC и PIQA) при тех же затратах FLOPs на инференс. Вдобавок авторы предложили Decoupled µP и scaling law с учётом сжатия для стабилизации обучения таких гетерогенных архитектур.

Подробнее: https://t.me/gonzo_ML_podcasts/1941

#2026+

Про прошедший год написал, дайте теперь помечтаю про будущее. Краткосрочное, на ближайший год или чуть дальше. Я думаю, мой список несколько сверхоптимистичный, так что считайте его моим wishful thinking list если угодно.

🤖 Физические роботы

С колёсными доставщиками уже давно всё хорошо (мы ещё в 2017-18 были в акселераторе Berkeley SkyDeck в одном батче с Kiwibot, машинки которых разъезжали по городу и вполне успешно работали и строили глазки прохожим, а сейчас вообще этим никого уже не удивишь). Но есть ещё андроиды и прочие фелиноиды. У них количество начнёт переходить в качество. Андроид для дома останется слишком дорогой игрушкой, а вот фелиноид или каноид может стать вполне разумной.

🌍 World models

Понемножку начнут себя показывать лучше традиционных подходов на практике в отдельных областях. Будут какие-нибудь вообще улётные research демонстрации с заделом на интерактивные миры нового типа, в играх или других развлечениях. Появится какой-нибудь движок, сочетающий классический детерминизм и нейрогенерацию. Ожидаю, что будет развиваться параллельная ветвь внутри моделей мира, построенная не на LLM или какой-то иной FM (Foundation Model) сверху-вниз, а растущая снизу-вверх через embodiment.

🔬 Ускорение науки

Где-то за пределами чистой computer science появятся первые стабильные результаты по ускорению какой-то части научного процесса, так что это будет выражаться в смене экспоненты для тех, кто этим владеет. Может оно и уже появилось, не удивлюсь.

🐋 Язык животных

Продвинемся в понимании одного из языков животных. Наиболее вероятно с китообразными, там уже были интересные результаты в прошлом году (нашли аналоги гласных и дифтонгов), но может и с кем-то другим, например, из врановых. Про двунаправленное взаимодействие пока рано говорить.

🐉 Китайский AI

Будут фигачить и дальше и подтягивать своё железо. Вообще, всё чаще вспоминаю условный биполярный по оси запад-восток мир из фильма The Creator. Не то чтобы какой-то особенно хороший фильм, но что-то мне кажется они уловили верно. Вообще, не про фильм, но слушайте поэтов, они раньше других начинают ловить суть вещей. За это их правящие круги и гоняют обычно.

⚙️ Production-level agents with 3 nines

Год надёжных агентов и богатых интеграций. Лучше научимся собирать агентов с предсказуемым качеством и запускать их в продакшн с надёжностью 99.9%. Вырастет более развитая инфраструктура и тулы. Появится сколько-то больших стартапов про эту экосистему.

🧠 Когнитивные архитектуры

Старый термин, но он возрождается и перерождается. Если на уровне продакшна будет движение к надёжности, то на уровне исследований и экспериментальных frontier-приложений будет движение в сторону поиска правильных для задачи когнитивных архитектур. Соревноваться между собой будут не отдельные LLM, у них уже почти случилась коммодитизация, а системы с LLM в качестве одного из элементов. Оркестрация, иерархия памяти, декомпозиция целей и контроль требований, контуры обратной связи -- лучшие наработки будут переноситься в продакшн.

👤 Агенты для простых смертных

Пока все агенты в основном были для бизнеса, узких кругов типа программистов, либо демонстрация возможностей неприменимая на практике. Пора начать появляться агентам, работающим на благо конечного среднего юзера -- решать его локальные day-to-day задачи по организации дел, покупок, логистики, работе с информацией. Текущие GPT/Claude/Gemini в принципе уже многое могут, особенно с правильными интеграциями, но ещё слишком много frictions.

🎬 Видео генерация

Ну уже всё. Соцсети и мессенджеры завалит AI слопом, он ещё и будет под вас персонализирован.

💻 Локальное железо

Запуск нормальных ллм on the edge где-то уже рядом. Спектр -- от домашних серверов до ноутбуков и телефонов, модели там конечно будут разного размера. Для меня поворотной точкой будет такая, когда ходить в условную GPT станет не нужно, для большинства локальных задач будет хватать локально развернутого условного Qwen.

⚡️ Интересное железо

Будут интересные применения non-conventional hardware типа термодинамических компьютеров. Будет любопытная и разнообразная жизнь за пределами экосистемы NVIDIA. Может даже AMD наконец уже станет реальной альтернативой, хотя это уже совсем wishful thinking. За десяток лет так и не шмогли.

⚛️ Квантовые компьютеры

Продолжат активно развиваться. Для нейросетей пока не помогут, но помогут в отдельных специфических задачах. Вовсю пора изучать. Я уже начал/продолжил. В сочетании с тем, что по прошествии ста лет с момента возникновения квантовой механики мы знаем как оно работает на уровне математики, но до сих пор не знаем, почему именно оно всё работает именно так (по крайней мере пользуясь Копенгагенской интерпретацией), это особенно интересно.

🔮 Кишки и латентный мир

В архитектуре будет большой движ по части латентных рассуждений (в широком смысле). Будет больше моделей, явным образом работающих с латентным пространством, что выльется в улучшенную токенизацию или вообще уход от неё, более вычислительно эффективные решения и интересные мультимодальные решения. Возможно появятся какие-то новые забористые типы слоёв, не удивлюсь если многоуровневые и иерархические, и в сочетании с рекуррентностью.

📈 Оптимизация

Не удивлюсь, если появится новый хороший градиентный алгоритм оптимизации. Мне кажется, там назревает прорыв в понимании. За пределами чисто градиентных методов ожидаю большего зоопарка и скрещивания с эволюцией. Также ожидаю развития темы про Titans/Nested Learning.

👽 Aliens

Инопланетяне посмотрят на всю происходящую на Земле хероту и контактировать не станут. Ну нах.

———

Вот такой мой список. Через год посмотрим, что сбылось, а что осталось wishful thinking. Если у вас есть свои ставки на 2026 — делитесь, интересно сравнить прогнозы.