Pētnieki piedāvā mākslīgā intelekta aģentu, kas domā slēptajā telpā un darbojas ar tekstu
Zinātniskā darbā publicēta HybridAgent sistēma, kas valodas modeļu aģentos apvieno domāšanu nevalodiskā, slēptajā telpā ar mijiedarbību caur tekstu. Autori norāda uz precizitātes pieaugumu par 10,4 % un būtisku izmaksu samazinājumu.
Pētnieku grupa arXiv zinātnisko rakstu krātuvē publicējusi darbu par jaunu lielo valodas modeļu aģentu veidu — Hybrid Reasoning Agents jeb HybridAgents. Tie ir mākslīgā intelekta aģenti, kas spriešanu veic modeļa iekšējā, nevalodiskā (latentajā) telpā, bet ar ārējo vidi, piemēram, rīkiem, mijiedarbojas tekstā. Darbs iesniegts 2026. gada 13. oktobrī datorlingvistikas (cs.CL) kategorijā.
Kāda problēma risināta
Mūsdienu valodas modeļu aģenti gan domā, gan darbojas ar tekstu. Spriešana latentajā telpā ir efektīvāka, taču tai trūkst tiešas piekļuves rīkiem un spriešanas procesa caurskatāmības. Autori mēģina savienot abus virzienus.
Kā sistēma darbojas
Sistēma vienotā ģenerēšanas procesā dinamiski pārslēdzas starp latento spriešanu un teksta mijiedarbību. Pārslēgšanos nodrošina viegls komponents HybridLink. Aģenta nepārtrauktā darba atmiņa saglabā hibrīdo kontekstu vairākos soļos bez zudumiem. Autori norāda, ka tā tiek saglabāta spēja izmantot rīkus, bet latentās domas var tieši pārbaudīt.
Apmācībai izstrādāti divi algoritmi. HybridSFT stabilizē hibrīdo ģenerēšanu ar rīkiem, mācot modeli sadarboties ar HybridLink. HybridRL, kas balstīts uz mācīšanos ar pastiprinājumu, māca izlemt, kad domāt latentajā telpā un kad rīkoties ar tekstu.
Rezultāti
HybridAgent novērtēts trīs modeļu izmēros 11 testos, kas aptver matemātiku, zinātni, medicīnu, meklēšanu un aģentisko spriešanu. Salīdzinot ar vadošajiem teksta un latentajiem aģentiem un sistēmām, autoru dati rāda vidēji 10,4 % labākus rezultātus. Vienlaikus tiek izmantots par 35,5–54,7 % mazāk tokenu, secināšana ir 1,8–2,6 reizes ātrāka un izmaksas ir 2,7–3,7 reizes zemākas.
Darbs aizņem 45 lappuses, un autori norāda, ka kods un dati ir publiski pieejami.
