Опыт в копилку: как ИИ-агенты перестают решать одно и то же с нуля
Аналитический центр red_mad_robot рассказывает и комментирует главные новости индустрии за неделю с 16 по 20 марта
🟥 Alibaba, Ant, Tencent, Oppo и другие исследователи https://arxiv.org/pdf/2603.04448 SkillNet: открытую инфраструктуру для создания, оценки и организации навыков ИИ. Работа системы начинается с этапа сбора — SkillNet анализирует разные источники и на их основе генерирует новые навыки. Далее происходит отбор, при котором удаляются дубликаты, определяется категория и проводится оценка по безопасности, полноте, исполнимости, поддерживаемости и учёту затрат.
Чтобы управлять растущей базой знаний, SkillNet использует трёхуровневую онтологию:
1️⃣ Верхний уровень: таксономия навыков с распределением по крупным направлениям с уточняющими тегами.
2️⃣ Средний уровень: граф связей с отображением зависимостей и семантических отношений между навыками.
3️⃣ Нижний уровень: объединение отдельных навыков в модульные наборы для решения конкретных задач.
Эксперименты на ALFWorld, WebShop и ScienceWorld показали, что инфраструктура существенно повышает эффективность ИИ-агентов: средняя награда растёт на 40%, а количество шагов снижается на 30%.
Почему это важно: SkillNet превращает разрозненный опыт ИИ-агентов в систему многоразовых навыков. Однажды отработанные решения можно применять повторно — это экономит вычислительные ресурсы и время. А система строгих оценок гарантирует, что в репозиторий попадают только безопасные и работоспособные навыки.
При этом система не статична: чем активнее её используют, тем более зрелыми и адаптивными становятся возможности. Это формирует ещё один шаг к самостоятельным и автономным агентам.
🟥 Moonshot https://github.com/MoonshotAI/Attention-Residuals/blob/master/Attention_Residuals.pdf Attention Residuals: подход, где сеть сама решает, какие представления и в каких пропорциях использовать из прошлых слоёв в зависимости от входных данных. По сути, механизм внимания переносится по вертикали — между слоями, а не только токенами.
Чтобы это также работало на больших моделях без перегрузки памяти, авторы предложили механизм Block AttnRes. Он делит сеть на блоки, внутри которых используется привычное накопление, а умное внимание включается только между блоками.
На практике это даёт сопоставимую точность при снижении вычислений примерно в 1,25 раза, увеличивает время инференса менее чем на 2% и делает обучение более стабильным.
Почему это важно: исследователи предложили улучшить остаточные связи (residual connections) в нейросетях. Обычно каждый слой сети просто добавляет свой результат к тому, что уже накопилось, — Attention Residuals меняет логику. Подход позволяет учиться избирательно обращаться к представлениям из предыдущих слоёв, которые действительно важны на данном шаге. Это снижает размытие информации и контролирует рост внутренних состояний модели.
Также на неделе:
• Google Research https://arxiv.org/pdf/2603.09906, что просьба рассуждать LLM помогает расширить границы знаний модели даже в простых фактических вопросах
• Amazon https://arxiv.org/pdf/2603.05294 иерархическую систему планирования для сложных веб-задач на основе динамических AND/OR-деревьев
• University of Maryland https://arxiv.org/pdf/2603.08706 метод обучения с подкреплением для ИИ-агентов, который учит не просто повторять правильные действия, а осознанно оценивать качество и понимать, почему одно решение лучше другого
• IBM https://arxiv.org/pdf/2603.10600 фреймворк, который извлекает полезные выводы из траекторий работы агента и улучшает его результаты через контекстную память
• NVIDIA https://blogs.nvidia.com/blog/gtc-2026-news/ NemoClaw (корпоративную версию OpenClaw), ЦОД в космосе, инфраструктуру Vera Rubin и модель для автономного вождения
• Mistral https://mistral.ai/news/forge платформу для обучения моделей на своих закрытых данных
• Manus https://manus.im/blog/manus-my-computer-desktop ИИ-агента для работы с файлами и приложениями на компьютере
• MiniMax https://www.minimax.io/news/minimax-m27-en самоэволюционирующую модель
#AI_moment #трендвотчинг
↗️
