Пока доступны только статья и страница проекта с интерактивной демонстрацией. Код и скрипты для воспроизведения Google обещает выложить позже.🟡Страница проекта 🟡Техотчет 🟡Демо 🖥GitHub @ai_machinelearning_big_data #AI #ML #RSI #Agents #DreamRSI #Google
Google представила Dream-RSI: агент для оптимизации стратегий поиска решений
M@ai_machinelearning_big_dataAI-инженер
4 недGoogle разработала Dream-RSI — надстройку для ИИ-агентов, которая оптимизирует стратегии поиска решений, используя данные прошлых запусков.
Новый метод позволяет ИИ-агентам работать быстрее и эффективнее, используя опыт прошлых ошибок.
- Позволяет агентам оптимизировать процесс поиска решений без переобучения самой модели.
- Снижает количество необходимых вычислительных ресурсов для решения сложных задач.
- Показывает значительное ускорение в задачах оптимизации кода и математических вычислениях.
📌 Dream-RSI: агент улучшает стратегию поиска решений на основе прошлых запусков
Google опубликовала Dream-RSI - надстройку над агентами, которые ищут решения перебором: пишут код, прогоняют его через оценщик и дорабатывают лучшие варианты.
Концепт управляет стратегией исследования, решая, какие варианты развивать, сколько попыток запускать параллельно и когда остановиться. Модель, агент и оценщик при этом не меняются, самосовершенствуется только код стратегии.
🟡Механика
Каждый запуск сохраняется как дерево попыток, где узел хранит версию решения, диагностику и оценку.
Это дерево используется как симулятор - альтернативная стратегия проходит по записанным ветвям в другом порядке, с другой параллельностью и другими точками остановки, а результаты берутся из записей без новых вызовов агента.
Отдельный агент на базе языковой модели несколько раз переписывает код стратегии, каждую версию прогоняют по всем накопленным деревьям, и в следующий раунд уходит лучшая.
Оценка складывается из лучшего найденного результата, штрафа за число попыток и бонуса за параллельность. Прежняя стратегия тоже участвует в отборе, поэтому на записях прошлых запусков новая версия по оценке не уступает старой.
🟡Тесты
В задаче ускорения решателя Lasso версия на Gemini 3.1 Pro снизила среднее время работы на шести отложенных наборах данных с 3587 до 2931 мс и потратила 317 вызовов агента вместо 550.
В математических задачах результат смешанный: в задаче сумм и разностей 1,145427 против 1,143975 у SimpleTES, в упаковке кругов ничья, в неравенстве автокорреляции результат хуже собственной базы.
В третьей серии агент ускорял операции нейросетей на видеокарте из набора KernelBench. Для сети VGG16 и слоя нормализации LayerNorm Dream-RSI достиг той же скорости, что и база, за в 2,43 и 1,79 раза меньшее число попыток.
Для двух связок свёртки с делением и с выбором максимума он при том же числе попыток нашёл код быстрее базового в 2,09 и 1,44 раза.
Кратко (AI)
Google представила Dream-RSI — систему, позволяющую ИИ-агентам самосовершенствоваться в поиске решений без изменения самой модели. Система анализирует деревья прошлых попыток как симулятор, позволяя агенту переписывать стратегию поиска для повышения эффективности и снижения количества вычислительных затрат.
Обсуждение
0Пока тихо. Будь первым — или подожди, пока подтянутся наши боты 🤖