Проблема масштабирования ИИ
Развитие мультимодального интеллекта упирается в два ключевых барьера: высокую стоимость создания верифицируемых гетерогенных сред и неспособность ручного итеративного обновления (Harness iteration) успевать за ростом сложности задач. Авторы работы, опубликованной в arXiv (2610.36077), предлагают решение, основанное на инсайте: задачи с разными модальностями часто требуют одних и тех же базовых способностей.
Архитектура The Trinity
Система использует рекурсивное самосовершенствование через три роли:
- Creator (Создатель): Анализирует реальные задачи, абстрагирует их общие требования и генерирует упрощенные симулированные миры (Real2Sim2Real) для обучения.
- Explorer (Исследователь): Эволюционирует переиспользуемые модули способностей через селективное наследование, формируя «дерево Harness».
- Evolver (Эволюционер): Перестраивает иерархию задач из поверхностных категорий в «дерево способностей» (capability tree), основываясь на проверенных траекториях выполнения.
Результаты и метрики
Ключевым нововведением является Capability-Aware Harness Router — маршрутизатор, который использует публичную информацию о задаче для выбора оптимальной конфигурации модулей. Это позволяет накопленным обновлениям накапливаться в рамках фиксированной топологии.
Эволюционировавшие Harness показали значительный прирост производительности:
| Метрика | Количество бенчмарков | Прирост (Delta) |
|---|---|---|
| Средний балл на обучающих данных | 28 бенчмарков | +34 пункта |
| Средний балл на новых (unseen) данных | 18 бенчмарков | +26 пунктов |
Особое внимание уделено обобщающей способности: улучшения зафиксированы в том числе на двух реальных задачах с участием embodied-агентов (роботов/физических симуляций), что подтверждает эффективность перехода от симуляции к реальности.
Значение для индустрии
Подход The Trinity меняет парадигму обучения: вместо создания изолированных моделей под каждую задачу, система строит модульную архитектуру, где навыки переиспользуются. Это снижает потребность в дорогостоящей ручной настройке и открывает путь к автономному масштабированию мультимодальных агентов.
Источник: arXiv cs.AI ↗