PhAI Labs запустила RSI-Anything: мировая модель ведёт самоэволюцию ИИ в 5 задачах

Исследователи PhAI Labs опубликовали RSI-Anything, фреймворк рекурсивного самосовершенствования (RSI), который проверили сразу на пяти разнородных задачах: исправление багов, управление компьютером, планирование лабораторных операций, оптимизация химических реакций и исследование иммунной системы. Самый показательный эксперимент касается кода. Команда не заменила модель, которая пишет правки, и не увеличила бюджет онлайн-тестирования. Она лишь подключила мировую модель, чтобы та предсказывала последствия изменений и отбирала лучшие.

Идея: сначала предсказать, потом менять

Большинство систем самоулучшения работают по схеме «сгенерировал, запустил, посмотрел результат». Она дорогая. Каждая проверка кандидата требует реального запуска: тестов, симуляции, эксперимента в лаборатории. Чем сложнее среда, тем быстрее такой перебор упирается в бюджет.

RSI-Anything переносит часть этой работы внутрь мировой модели. Она оценивает, к чему приведёт предлагаемая правка, ещё до дорогой проверки. Дальше в реальную среду попадают только кандидаты, которые модель считает перспективными. Задача исполнителя остаётся прежней: писать код, нажимать кнопки, составлять протокол. Отбором и направлением улучшения занимается отдельный слой.

Выбор доменов выглядит намеренно пёстрым. Баг в репозитории, интерфейс операционной системы, протокол в лаборатории, реакция в колбе и иммунная система объединяет одно: у каждой есть среда с обратной связью, а проверка в ней дорога или медленна. Именно там предсказание исхода может сэкономить больше всего.

Что показали эксперименты

В доступном описании подробно раскрыт только кодинг. Условия эксперимента зафиксированы жёстко:

• модель, генерирующая код, осталась прежней;
• бюджет онлайн-тестов не увеличивали;
• единственное изменение: мировая модель участвует в предсказании результата и выборе правок;
• сравнение шло с тем же исполнителем без этого слоя.

Такой дизайн убирает самые частые объяснения прироста: более сильную базовую модель и больше попыток. Если улучшение подтвердится, его источником окажется качество отбора. Числовые результаты, названия бенчмарков и размер выигрыша в доступных материалах не приведены, поэтому оценивать масштаб эффекта рано. По остальным четырём доменам детали тоже пока не раскрыты.

Осторожность здесь уместна по двум причинам. Мировая модель может ошибаться предсказуемым образом, и тогда отбор закрепит систематическую ошибку вместо исправления. Кроме того, перенос подхода между доменами нужно проверять на каждом отдельно: химическая реакция и патч к коду устроены по-разному, и общий фреймворк не гарантирует одинаковую пользу.

Что проверять командам на практике

Для разработчиков агентов в статье есть конкретный ориентир. Если проверка кандидатов в вашей среде дорогая (CI на часы, физический стенд, лабораторный прогон), стоит оценить, можно ли обучить предсказатель исхода на накопленных логах. Это дешевле, чем наращивать число попыток или менять базовую модель.

При оценке подобных работ полезно смотреть на четыре вещи:

• зафиксирован ли бюджет реальных проверок и совпадает ли он в сравниваемых вариантах;
• как мировая модель ведёт себя на задачах вне обучающего распределения;
• какова доля правок, отобранных ошибочно, и что с ними происходит дальше;
• воспроизводится ли результат на публичных бенчмарках, а не только на внутренних наборах.

Пока RSI-Anything остаётся заявкой на общий путь к самоулучшению через предсказание. Убедительной она станет, когда авторы опубликуют полные таблицы и код, а независимые группы повторят эксперименты хотя бы в двух из пяти доменов.