Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
ИИ-агенту дали возможность менять собственную обвязку прямо во время задачи, не стирая накопленную историю и сохраняя путь отката. В нерецензированном препринте, где все числа получили сами авторы, Exo сократил расходы на модель в AppWorld на 61% при той же наблюдаемой доле успешно выполненных заданий. Это переносит оптимизацию из отдельного стенда в рабочий цикл агента, но окупается прежде всего в долгих и повторяющихся процессах.
Как агент меняет правила, по которым работает
Обвязка агента решает, какие инструкции и данные отправить модели, какие инструменты ей показать, как хранить память и когда запускать следующий шаг. Обычно команда проектирует эти правила заранее или подбирает их во внешнем цикле: меняет код, прогоняет набор тестовых задач, сравнивает результаты и выпускает новую версию.
Exo объединяет выполнение задачи и этот цикл улучшения. Агент видит исходный код своей обвязки в рабочей среде, редактирует его теми же инструментами, которыми пишет обычный код, запускает проверки и запрашивает активацию новой версии. Он может изменить не веса модели, а способы работы вокруг неё: сбор контекста, выбор инструментов, сжатие истории, обращение к памяти и собственную процедуру дальнейших улучшений.
Например, в игровом эксперименте агент сначала создал инструмент для серии боевых действий, затем научил его пропускать застрявшие цели и отступать раньше. Позже он собрал более крупную процедуру, которая сама выбирала навык для тренировки, выполняла действия и останавливалась при низком запасе здоровья. Повторяющиеся решения перешли из вызовов модели в обычный код.
Такой подход не требует заранее собирать представительный набор задач для каждой новой среды. Агент опирается на уже полученную историю: исходы действий, расходы на модель, использование кеша и ошибки инструментов. Цена этой гибкости — часть рабочего времени и токенов уходит не на саму задачу, а на поиск и проверку улучшений.
Почему неудачная правка не должна уничтожить агента
Саморедактирование создаёт общий риск для оптимизатора и исполняемой системы. Ошибка может сломать не только рабочую политику, но и код, который должен обнаружить проблему и восстановиться. Правка также может удалить историю, память или промежуточные результаты, на которых агент учился.
Exo поэтому делит систему на изменяемую политику и защищённый механизм. В защищённой части остаются журнал сообщений и вызовов инструментов, версии артефактов, доступ к рабочей среде, учётные данные и контролёр активации. История только дополняется: изменяемый слой не может переписать прошлые записи или скрыть неудачную замену.
Новая версия политики не включается напрямую. Агент отправляет запрос контролёру, который собирает кандидата и применяет заданную проверку вне редактируемого слоя. При отказе продолжает работать прежняя версия, а состояние задачи и файлы в рабочей среде сохраняются.
Эта граница защищает непрерывность процесса, но не доказывает, что новая политика полезна или что агент продолжит двигаться к цели. Качество зависит от проверок контролёра, доступной обратной связи и способности модели правильно оценивать собственные изменения. Exo ограничивает последствия поломки, а не решает общую задачу безопасного поведения автономного агента.
Когда Exo меняет архитектурный план продукта
На долгих задачах в среде RuneScape Exo снизил расходы на модель на 12–53% относительно Codex и Pi. Когда найденную политику перенесли на новые учётные записи с похожими целями, разрыв вырос до 45–82%: агент повторно использовал созданные инструменты и уже не платил полную цену за специализацию.
На SREGym медианное время диагностики сократилось на 35%, а на Continual Learning Bench общие расходы на модель с учётом обучения — на 14%. В RuneScape Exo сравнивали с готовыми обвязками Codex и Pi, а в AppWorld, SREGym и задачах программирования — с той же начальной политикой, которой запретили менять собственный код. Проверки охватывали игру с открытым миром, работу с приложениями, диагностику инфраструктуры и исправление программных ошибок.
Результат касается продуктов, где агент долго работает в одной среде, встречает повторяющиеся операции или переносит накопленные приёмы на следующие задания. Здесь в архитектуру можно заложить защищённый журнал, версии состояния, отдельный контролёр активации и проверяемые изменения политики вместо полностью неизменяемой обвязки.
Для коротких и непохожих задач выгода не гарантирована. В серии одноразовых игровых квестов Exo тратил $0,28 на очко прогресса против $0,21 у Pi: создание повторно используемых процедур не успело окупиться. Поэтому Exo не отменяет обычные тесты и ручное проектирование политики, а добавляет ещё один режим для процессов, где стоимость обучения можно распределить по многим действиям.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
