Google і DeepMind представили Dream-RSI: цикл рекурсивного самовдосконалення ШІ-агента
Google і DeepMind представили Dream-RSI — систему, у якій ШІ-агент вдосконалює стратегію дослідження задач, повторюючи попередні спроби та дешево тестуючи тисячі альтернативних стратегій. У задачах із алгоритмів, математичної оптимізації та створення GPU-ядер система зберігала або покращувала якість результатів, скоротивши вартість пошуку в 162 рази без зміни ваг моделі.
Дослідники Google та DeepMind представили Dream-RSI — систему, у якій ШІ-агент вдосконалює те, як він досліджує задачі. Для цього він повторно відтворює свої попередні спроби, дешево тестує тисячі альтернативних стратегій, а потім використовує вдалішу стратегію в наступному раунді.
У задачах із розробки алгоритмів, математичної оптимізації та створення GPU-ядер система зберігала або покращувала якість результатів, водночас значно скорочуючи вартість пошуку. В одному з експериментів кількість викликів агента вдалося зменшити в 162 рази.
Важливо, що система вдосконалює саме стратегію дослідження, а не ваги самої моделі.
Стаття доступна на arXiv: https://arxiv.org/pdf/2609.14858.
Чому це важливо
АналітикаЦе показує напрямок розвитку ШІ через оптимізацію процесу дослідження, а не лише через масштабування ваг моделі. Такий підхід може зробити агентні задачі дешевшими та прискорити пошук рішень у складних інженерних і математичних задачах.
Обговорити новину у спільноті
Діліться своїм досвідом та думками з ШІ-розробниками
Пов'язані матеріали екосистеми
Практичні гайди, термінологія та агентські скіли
ШІ у бізнес-процесах: від діагностики до Hermes-агента в production
Повний практичний B2B-плейбук: діагностика процесів, single-agent workflow, інструменти, memory, безпека, evaluation, observability та runbooks.
Google Gemini Pro (Модель Google із бездонним контекстом)
Основна робоча модель від Google DeepMind із рекордним вікном контексту у 2+ мільйони токенів. Здатна за один запит аналізувати цілі книги, часові відеозаписи та масивні кодові бази.
Jev та System One AI: повний практичний гайд по моделі рішень від TypeSafe
Глибокий інженерний розбір флагманської моделі Jev: архітектура System One проти LLM, примітиви Choice/Score/Noul, паралелізм запитів, математика впевненості, відео-кейси, код та огляд локальних open-weight альтернатив (Laya, GLiNER2.5, CLM-8B).
AI-агенти (Autonomous Agents)
Програмні системи на базі LLM, здатні самостійно сприймати стан середовища, декомпозувати складні цілі, викликати зовнішні інструменти та ітеративно виправляти власні помилки.