Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Химического агента научили согласовывать выбор внешнего инструмента, его аргументы и итоговый ответ до выполнения вызова. ChemDiffAgent в среднем обошёл сопоставимых авторегрессионных агентов примерно на 20%, хотя препринт не рецензирован и все числа получили сами авторы. Для продуктовой команды это повод испытать другую архитектуру там, где действия агента сильно зависят друг от друга, но не основание сразу менять производственный стек.
Почему порядок заполнения меняет вызов инструмента
Обычный авторегрессионный агент пишет ответ слева направо. Выбрав инструмент или начав формировать его аргументы, он уже не может пересобрать предыдущие токены с учётом того, что появилось дальше. Ошибка в начале вызова переходит в следующие шаги и иногда заставляет агента обращаться не к тому инструменту повторно.
ChemDiffAgent использует маскированную диффузию: модель получает блок с пропусками и восстанавливает его за несколько проходов. Внутри блока она видит контекст с обеих сторон, поэтому может сначала определить более простые или менее рискованные части, а затем заполнить зависимые от них позиции. Между блоками порядок остаётся последовательным, что позволяет продолжать траекторию после ответа внешнего инструмента.
Траектория объединяет рассуждение, имя инструмента, аргументы, полученный результат и финальный ответ. В показанном авторами вызове служебные разделители и структура аргументов появились раньше, а отдельные токены химической записи SMILES оставались скрытыми до поздних проходов. Модель сначала закрепила форму действия, а затем вписала химические детали в уже согласованную структуру.
Ответы инструментов при обучении не искажают и не заставляют модель предсказывать их. Они служат внешними фактами, на которых агент строит следующий шаг. Это отделяет решения агента от результатов вычислений и снижает риск того, что модель научится выдумывать ответ инструмента вместо реального вызова.
Постобучение дало основную прибавку
Одной диффузионной основы оказалось недостаточно. Модель SDAR-8B без специального обучения работе с инструментами получила средний балл 11,2. После контролируемого обучения на отфильтрованных траекториях результат вырос до 62,3, а обучение на предпочтениях подняло его до 64,6.
Для первого этапа модель-наставник строила полную последовательность действий. В набор оставляли только примеры с правильным итогом, понятным ходом решения, подходящим инструментом и исполнимыми аргументами. ChemDiffAgent учился восстанавливать скрытые части таких траекторий, а не только угадывать следующий токен.
На втором этапе система сопоставляла успешную и неудачную траектории для одного запроса. Оценка учитывала решения агента, но исключала ответы инструментов; одинаковые варианты искажения подавались обучаемой и опорной моделям, чтобы уменьшить разброс сигнала. Этот этап улучшил выбор между внешне правдоподобными планами, один из которых приводит к ошибке после нескольких вызовов.
При одинаковом контролируемом обучении ChemDiffAgent обошёл авторегрессионный аналог на многошаговых задачах на 18,3%. В рамках того же теста модель соперничала с GPT-5.5 и Claude Opus 4.7, а на части срезов превосходила их. Это сравнение говорит о качестве конкретного агента и его постобучения, а не доказывает общее превосходство диффузионных моделей.
Архитектуру стоит добавить в экспериментальный план
Проверка охватывала шесть вычислительных задач по химии: одиночные вызовы и цепочки, где на сложном уровне требовалось от шести до семи обращений к инструментам. Использовались одна модель на 8 млрд параметров и фиксированный набор программных средств; работа не охватывала другие научные области и процессы с физической лабораторией. Сравнения проводили при согласованных бюджетах и правилах оценки.
Результат относится прежде всего к агентам, где формат данных и план действий связаны тесно: анализу SMILES, расчёту свойств молекул, обработке нескольких источников и последовательному запуску специализированных программ. Если агент обычно делает один независимый вызов API, произвольный порядок заполнения блока вряд ли оправдает отдельный контур обучения и обслуживания.
Для многошагового научного агента работа меняет список архитектур для пилота. Практичный тест должен сохранить авторегрессионную систему как основу для сравнения, дать обеим моделям одинаковые инструменты и бюджеты вызовов, а затем измерить успех всей задачи, исполнимость аргументов, лишние обращения и длину траектории. Сравнивать только качество финального текста недостаточно: преимущество ChemDiffAgent проявляется в планировании действий.
Производственный переход пока потребует собственной инфраструктурной проверки. Экосистема обслуживания диффузионных языковых моделей слабее оптимизирована для кеширования, ускоренного декодирования и длинных агентных траекторий, а обучение усложняется с ростом модели. Поэтому работа меняет направление экспериментов, но не отменяет более зрелую авторегрессионную схему там, где важны предсказуемая задержка и готовые средства эксплуатации.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
