NVIDIA prezentuje SoL-Pi: automatyczna optymalizacja harnessów agentów AI
NVIDIA wprowadziła SoL-Pi, system automatycznie optymalizujący harnessy agentów AI, który redukuje zużycie tokenów o niemal połowę bez zauważalnej utraty jakości.
NVIDIA zaprezentowała SoL-Pi, system automatycznie ulepszający harnessy agentów AI i zmniejszający zużycie tokenów o prawie 50% przy zachowaniu wysokiej jakości wyników.
Zamiast ręcznego strojenia, badacze przeprowadzają cykle automatycznych eksperymentów na samym harnessie w różnych repozytoriach i środowiskach z weryfikowalnymi wynikami. Do finalnej wersji trafiają jedynie mechanizmy, które konsekwentnie przechodzą proces selekcji.
W końcowym rozwiązaniu zastosowano cztery kluczowe mechanizmy:
- łączenie akcji (action merging);
- kompresję kontekstu podczas wykonania;
- bardziej efektywne przetwarzanie obserwacji;
- ograniczenie delegowanego czytania przy zachowaniu istotnych dowodów.
W benchmarku EdgeBench obejmującym 51 zadań, SoL-Pi osiągnął jakość porównywalną z systemem bazowym wykorzystującym modele GPT-5.6 Sol oraz Opus 5, jednocześnie redukując ruch tokenów o niemal połowę.
Według autorów rozwiązania, pozwala to obniżyć koszty API o około jedną trzecią. Oszczędności wynoszą od 8,75 do 13,50 USD za godzinę w porównaniu ze standardowymi systemami Codex i Claude Code oraz od 4,36 do 5,71 USD za godzinę w stosunku do bazowego harnessa.
Kod źródłowy jest dostępny publicznie na GitHubie w organizacji NVlabs, a artykuł naukowy opublikowano na platformie arXiv.
Dlaczego to ważne
AnalizaRozwiązanie dowodzi, że optymalizację harnessów agentów AI można skutecznie zautomatyzować, eliminując zależność od pracochłonnego inżynieringu ręcznego. Zmniejszone zużycie tokenów przekłada się na niższe koszty API i szybsze przepływy pracy agentów bez istotnego kompromisu w zakresie jakości.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
AGENTS.md w Ghostty i Turborepo każe agentom AI donosić na użytkowników
Przykłady plików AGENTS.md pokazują, że instrukcje w repozytoriach mogą zmuszać agenty AI do dodawania do pull requestów upokarzających notatek o deweloperze.
DeepSeek uruchamia Creator Mode: harness można przebudować pod siebie
Open-source’owy harness DeepSeek zyskuje Creator Mode: agent pisze pluginy na podstawie opisu i wtapia je w interfejs aplikacji.
Claude Code Projects: jak jeden AI koordynuje zespół autonomicznych agentów
Głęboka analiza Claude Code Projects: architektura Coordinator i Threads, równoległe gałęzie, wspólna pamięć MEMORY.md oraz zarządzanie agentami w chmurze.
Jev i System One AI: Kompletny praktyczny przewodnik po modelu decyzyjnym od TypeSafe
Głęboka analiza inżynieryjna flagowego modelu Jev: architektura System One w kontraście do LLM, prymitywy Choice/Score/Noul, równoległość zapytań, matematyka pewności, przypadki użycia wideo, kod oraz przegląd lokalnych alternatyw open-weight (Laya, GLiNER2.5, CLM-8B).