Журнал · Rit.work

JET учит агентов вовремя прекращать поиск по коду

JET обрезает учебные траектории в точке достаточности и учит агента отвечать без лишних обращений к инструментам.

Rit.work
Студия разработки
18 ноября 2026 г.3 мин чтения

Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.

LLM-агента научили отвечать на вопросы о репозитории сразу после того, как он нашёл достаточно кода, а не продолжать поиск до лимита шагов. В препринте, который не прошёл рецензирование и где все замеры провели сами авторы, JET сократил число обращений к инструментам на 11–33% при обучении на собственных траекториях модели. Для команд, которые дообучают открытые модели, работа предлагает готовую схему очистки учебных данных от лишних действий.

Как находили точку, после которой поиск уже не помогает

Агент для вопросов о репозитории последовательно ищет строки, открывает файлы и запускает команды в оболочке. Каждый результат попадает в контекст, поэтому на следующем шаге модель снова обрабатывает всю накопленную историю. Лишнее обращение к инструменту увеличивает не только длину поиска, но и объём повторно прочитанных токенов.

Choi, Han и Lee обнаружили, что оценка промежуточного ответа часто перестаёт расти задолго до завершения работы агента. Такое же поведение встречается в экспертных траекториях — записях шагов более сильной модели, на которых затем проводят обучение с учителем (SFT). Обычное дообучение копирует всю последовательность, включая поиск после того, как нужная информация уже найдена.

JET сначала заставляет модель сформулировать ответ после каждого шага. Для каждого состояния генерируют несколько вариантов, а модель-оценщик сравнивает их с эталонным ответом. Точкой достаточности считают самый ранний шаг, на котором средняя оценка достигает максимума.

Если эталонного ответа нет, как в экспертных траекториях, вместо него используют финальный ответ эксперта. Это позволяет размечать момент остановки без отдельной разметки каждого обращения к инструментам.

Почему одной обрезки траекторий недостаточно

После разметки JET удаляет все последующие шаги и добавляет короткое обоснование остановки. В нём перечислены уже изученные файлы и функции, а также объяснено, почему найденного кода достаточно для ответа. Затем идёт лучший промежуточный ответ.

При дообучении токены этого обоснования получают больший вес. Без такого усиления решение остановиться занимает слишком малую часть длинной траектории и слабо влияет на ошибку обучения. Эксперименты с простой обрезкой показали нестабильный результат: число обращений снижалось у одной модели, но могло вырасти у другой.

На экспертных траекториях JET делал на 18–28% меньше обращений, чем обычное SFT. Для Ministral итоговая оценка ответа стала выше, для Qwen — ниже, поэтому метод не устраняет компромисс между качеством и экономией во всех конфигурациях.

В разборе одного вопроса оба агента нашли нужные файлы за 11 обращений. JET после этого ответил, а агент после обычного SFT продолжил исследовать вспомогательные файлы и тесты до 29 обращений; более короткий ответ получил более высокую оценку.

Что JET меняет в планах команд

JET стоит рассматривать не как новый каркас агента, а как дополнительный этап подготовки данных. Сначала команда собирает рабочие траектории, затем находит в каждой точку достаточности, обрезает хвост и усиливает сигнал остановки при дообучении. Во время работы отдельная модель для проверки контекста не нужна: решение принимает сам агент.

Цена переносится в подготовку датасета. Для каждого шага нужно получить несколько промежуточных ответов и прогнать их через модель-оценщик. Такой расход платят один раз, но он растёт вместе с длиной и числом траекторий, поэтому схема лучше подходит продуктам с повторяющимися задачами и заметным объёмом вызовов, чем единичным внутренним прототипам.

Проверка охватила 980 вопросов из SWE-QA-Pro и SWE-QA. Для обучения использовали 400 собственных траекторий либо 1 000 экспертных траекторий Claude Sonnet 4.5; агентами служили Qwen3-8B и Ministral-3-8B-Instruct. Оба бенчмарка состоят из вопросов о Python-репозиториях, модели работали в одном каркасе с поиском, просмотром файлов и оболочкой только для чтения.

Каждую конфигурацию обучали один раз, а точки достаточности размечала LLM без проверки людьми. Поэтому JET пока даёт практическую гипотезу для агентов по коду, а не подтверждённое правило для любых процессов с инструментами. Но сама схема применима уже сейчас: перед SFT полезно проверять не только правильность экспертной траектории, но и момент, когда она должна была закончиться.

Источники

Пауза в чтении

Похоже на вашу задачу?

Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.

Rit.work

Студия разработки

Собираем мобильные приложения и помогаем командам получать от AI реальную пользу. Основатель и команда, работаем удалённо — с клиентами в России и за рубежом.

← Ко всем материалам
Понравилось? Обсудим вашу задачу