Журнал · Rit.work

LLM-агент обошёл AutoML, подбирая модель под каждую машину

NextUnit-Bench показал, что LLM-агент может обойти AutoML, если изучает данные конкретного оборудования и собирает отдельную модель для каждой задачи.

Rit.work
Студия разработки
20 ноября 2026 г.2 мин чтения

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

LLM-агенты смогли строить отдельную прогнозную модель для нового оборудования вместо переноса одной универсальной модели между машинами. В препринте Zhenling Chen, Zhiguo Zeng и Anne Barros, который не прошёл рецензирование и содержит замеры самих авторов, лучший агент устранил 43% ошибки базового решения, а системы AutoML с автоматическим подбором модели — менее 20%. Для подобных продуктов это сдвигает акцент с выбора готовой архитектуры на способность агента изучить данные конкретного объекта.

Для NextUnit-Bench собрали 24 открытых набора данных и разделили их на 58 вариантов проверки. Агент видел размеченные данные одних двигателей, подшипников, батарей и других объектов, а затем за два часа должен был подготовить исполняемый предиктор для скрытого оборудования. Проверяющая система запускала результат отдельно и не показывала агенту метки или итоговую оценку.

Преимущество возникало не столько при написании кода, сколько при выборе решения по данным. Исследователи записывали найденную схему обычным текстом и передавали другому агенту для реализации с нуля. Когда сильнейший GPT-6 Astra получал план более слабого агента, он опускался до его уровня и нередко выдавал те же прогнозы. Планы, составленные до просмотра значений, почти не давали такого эффекта, а отраслевые наборы инструментов не улучшали результат.

Перенести удачный план смогли только достаточно сильные исполнители. Локальная модель с открытыми весами завершала работу вдвое реже, когда получала планы GPT-6 Astra, и в среднем не выигрывала относительно самостоятельной работы. Поэтому закрытый контур сам по себе не решает задачу: локальному агенту ещё нужна способность надёжно воплотить найденную схему.

Вывод относится к прогнозированию состояния и отказов оборудования, где уже есть размеченные данные других объектов того же типа. Наборы были публичными, и агенты узнавали многие из них по документации; влияние данных обучения полностью исключить нельзя. Полные повторные прогоны сохранили общий порядок методов, но результаты на отдельных наборах менялись заметно.

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