Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
ИИ-агент смог сам улучшать обучающие данные, настройки модели и исполняющую обвязку, проверяя варианты в общей исследовательской среде. Команда Evolvent AI и National University of Singapore описала результат в препринте, который не прошёл рецензирование, и сама получила все числа: лучший агент закрыл 48,09% разрыва между исходным и максимальным результатом. Такая схема позволяет сравнивать исследовательские решения агентов, а не их умение настраивать инфраструктуру.
В RSIGym агент работает в лёгком контейнере без GPU. Обучение, запуск моделей, генерацию данных, оценку и изолированные вычисления выполняют удалённые сервисы. Общая система авторизации проверяет права, списывает расходы из единого бюджета и сохраняет вызовы независимо от отчёта агента. Поэтому кандидат можно обучить, подключить к обвязке, проверить и заменить, не разворачивая инфраструктуру заново.
Лучший результат показал Opus 5 при лимите $500 на один запуск для каждого бенчмарка. На SWE-bench Verified итоговая система подняла долю решённых задач с 17,67% до 50,33%, а на AIME — с 31,67% до 97,78%. RSI-Index усредняет долю закрытого разрыва до максимального результата, поэтому разные типы задач получают одинаковый вес.
Среду проверили на шести исследовательских моделях и пяти бенчмарках: SWE-bench Verified, Terminal-Bench 2.0, AIME, GPQA Diamond и SkillsBench. Все модели начинали с одной базовой модели и минимальной обвязки, а в совместном режиме могли менять данные, параметры обучения и исполняющий код. Эксперименты измеряют улучшение целевой системы внутри отдельного запуска; они ещё не показывают, что принятое изменение помогает агенту эффективнее проводить следующий цикл исследований.
Для команд, которые строят автономные исследовательские системы, RSIGym предлагает практическое разделение: агент принимает решения, а платформа выдаёт вычисления через контролируемые сервисы. Это упрощает повторение экспериментов, ограничивает расходы и оставляет журнал, по которому можно разобрать не только итоговый балл, но и путь к нему.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
