Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
LLM-агент смог без заданного алгоритма организовать собственное обучение: создать задания, найти слабые места и переписать инструкции для будущих попыток. В препринте MIT CSAIL и University of Tübingen, который не прошёл рецензирование и содержит замеры самих авторов, Claude Opus-5 улучшил результат на отложенных играх на 20%. Командам уже не обязательно описывать каждый шаг цикла, но цель, инструменты и границы среды по-прежнему задаёт человек.
Как агент превратил инструменты в учебный цикл
Эксперимент разделял одну модель на две роли. Игрок проходил пошаговые игры с неизвестными правилами, а учитель пытался улучшить его поведение. Веса модели оставались замороженными: учитель мог менять только системную инструкцию и текстовые файлы с накопленными навыками.
Учителю дали общую цель — повысить результат игрока на новых играх — и доступ к чтению и записи файлов, командной строке и инструменту Gameplay. Последний запускал отдельную сессию игрока, а затем возвращал учителю итог и журнал действий. Веб-поиск, готовые игры, внешние данные, автоматическую память и вспомогательных агентов отключили.
В основной конфигурации учитель мог изменить контекст 20 раз и запустить 150 игровых попыток. Как именно расходовать этот запас, ему не объясняли. Не было заданного расписания тренировок, правила выбора следующей задачи или условия, после которого следовало переписать инструкции.
Рабочий цикл возник внутри самой сессии. Модель писала игры, запускала игрока, разбирала ошибки и сохраняла выводы в текстовых файлах. Успешные учителя сравнивали одну игру с новыми инструкциями и без них, подбирали задачи средней сложности, заводили набор проверочных игр и искали ухудшения после очередной правки.
В одной сессии Claude Opus-5 написал генератор уровней и решатель, чтобы отсеивать слишком простые задания. Позже он создал игру, которая специально проверяла слабое место его советов, а затем повторно прогнал прежние тесты. Исследователи не закладывали эту последовательность в среду: они предоставили отдельные действия, из которых модель собрала её сама.
Новые поколения улучшились, старые почти не сдвинулись
Проверка сравнивала последовательные поколения Claude, GPT и GLM. Claude Opus-5 показал самый большой прирост, указанный в лиде; GPT 6-Astra улучшил результат на 10%, а GLM 5.3 — на 6%. Claude Opus-4.6, GPT 5.6-Sol и GLM-4.7 дали небольшой прирост либо не улучшились.
Самостоятельно собранный процесс Claude Opus-5 оказался сопоставим с GEPA при одинаковом бюджете игровых запусков. Разница состоит в источнике опыта: GEPA оптимизировал инструкции на готовых играх, а агент в новой работе сам создавал задания и решал, как использовать результаты.
Изменённые текстовые файлы помогали не только в исходной среде PuzzleScript. Их проверили на более длинных играх того же движка, на ARC-AGI-3 с другим представлением среды и на MazeBench с объёмной навигацией. Перенос сохранялся, хотя сведения о будущей проверке направляли учителя к более подходящим задачам и одновременно повышали риск подгонки.
Масштаб вывода задаёт сам эксперимент: пары моделей из трёх семейств, игровые задачи, ограниченный запас действий и улучшение только через текстовый контекст. Работа показывает перенос между движками, механиками и длиной игры, но не проверяет самостоятельное изменение весов или обучение на производственных процессах. При увеличении запаса попыток результат рос, а затем выходил на плато.
Архитектуру можно упростить, контроль — нет
Работа меняет планы команд, которые вручную собирают жёсткий цикл «создать задачу — запустить агента — оценить — обновить инструкцию». Для новых моделей часть этой логики можно передать учителю: предоставить редактируемые текстовые навыки, безопасный запуск подчинённой сессии и общий критерий улучшения.
Убирать внешнюю организацию целиком оснований нет. Человек всё ещё определял цель, доступные действия, границу данных, вычислительный запас и способ итоговой проверки. Автономность начиналась после этих решений и заканчивалась там, где агент исчерпывал выделенные ресурсы.
Практический шаблон выглядит как две раздельные роли одной модели. Учитель создаёт опыт и меняет контекст, игрок выполняет задачу в чистой сессии, а итоговая проверка проходит на заданиях, которые учитель не видел. Такая схема позволяет не принимать собственную оценку агента за доказательство улучшения.
Для контроля доступа вывод обратный: отсутствие явно запрограммированного цикла самоулучшения уже не гарантирует, что агент его не соберёт. Возможность писать файлы, выполнять код и запускать другие сессии оказалась достаточным набором деталей. Поэтому границы песочницы и доступ к инструментам становятся частью модели угроз, а не только удобством разработки.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.



