Новый метод оптимизации ИИ-агентов через специализацию веток

🧠 ИИ лучше улучшает агентов, когда развивает несколько специализаций Исследователи предложили новый подход к оптимизации harness: кода вокруг LLM, который управляет инструментами, поиском информации и проверкой ответов. Обычно ИИ переписывает эту обвязку и оценивает версии на одном наборе задач. Но полезная специализация может потеряться, если проигрывает по общему баллу. Авторы разделили поиск на две ветки: • Каждая сохраняет задачи, с которыми справляется лучше другой. • Ведёт собственные заметки об удачных изменениях. • Развивает свою стратегию решения. В математике одна ветка сосредоточилась на проверке ответов, другая на построении полных решений. Затем роутер выбирает подходящую обвязку для каждой новой задачи. 📈 На олимпиадной математике с Gemini 3 Flash точность выросла с 46% до 62%. Это +16 процентных пунктов. Подход превзошёл исходный метод во всех четырёх проверенных сочетаниях моделей и бенчмарков, хотя расход токенов был выше. Практическая идея: при автоматической настройке агентов стоит сохранять несколько сильных специализаций и подбирать их под задачу. 📄 Исследование: [https://arxiv.org/abs/2609.37834](https://arxiv.org/abs/2609.37834)