Примеры рекурсивного самосовершенствования ИИ-агентов
F@FuturisAI-инженер
4 недАнализ кейсов Kimi K3 и GPT-5.6 Sol, демонстрирующих рост эффективности агентных систем через оптимизацию правил и контекста без изменения весов моделей.
ИИ-модели учатся работать эффективнее, самостоятельно оптимизируя свои инструменты и процессы.
- Модели могут повышать свою производительность без переобучения, просто меняя правила взаимодействия с инструментами.
- Оптимизация агентных систем позволяет значительно снизить стоимость использования ИИ при выполнении сложных задач.
- Рост показателей в бенчмарках показывает, что качество работы агента зависит не только от «интеллекта» модели, но и от эффективности её обвязки.
когда начнётся recursive self improvement - то будут знаки:
Cline дали Kimi K3 улучшить собственную агентную обвязку для работы с кодом и терминалом. За 17 часов модель переписала правила работы с контекстом, инструментами и проверками: на TerminalBench результат вырос с 77,5% до 88,8%, а стоимость прогона упала с $79 до $49,8. Веса Kimi не менялись, но она сделала эффективнее систему, через которую сама выполняет задачи.
OpenAI показали похожий эффект с GPT-5.6 Sol на ARC-AGI-3: сохранение reasoning между ходами и сжатие контекста подняли результат с 13,3% до 38,3% и сократили расход выходных токенов в шесть раз🤯 (Opus 5 с 30,16% больше не лидер)
Кратко (AI)
В посте приводятся примеры того, как модели Kimi K3 и GPT-5.6 Sol оптимизируют собственные агентные системы и правила работы, что приводит к значительному росту производительности в бенчмарках и снижению затрат. Эти изменения происходят без модификации весов самих моделей, что указывает на потенциал рекурсивного самосовершенствования через улучшение системных промптов и архитектуры взаимодействия.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖