Nvidia tadqiqoti: AI agentlarining muvaffaqiyatida modeldan ko'ra dasturiy qobiq muhimroq
Nvidia e'lon qilgan yangi tadqiqotga ko'ra, murakkab va uzoq davom etuvchi vazifalarni bajarishda AI modelining o'zidan ko'ra uning atrofidagi dasturiy qobiq (harness) ancha muhimroq ahamiyatga ega. Tadqiqotchilar xotirani boshqarish va nazoratchi (supervisor) agentni o'z ichiga olgan maxsus qobiq yordamida Claude Opus 5 modelini ARC-AGI-3 mantiqiy testida 100 foizlik natijaga erishtirdi. Qobiqsiz holatda ushbu model atigi 30 foiz ball to'plagan edi. Ushbu natija agentli tizimlarda model faqatgina "miya" vazifasini bajarishi, asosiy samaradorlik esa vositalar, xotira va nazorat tizimiga bog'liqligini ko'rsatadi.
Nvidia kompaniyasi e'lon qilgan yangi ilmiy ish sun'iy intellekt agentlarini yaratish borasidagi qarashlarni o'zgartirmoqda. Tadqiqot shuni ko'rsatadiki, AIdan ko'p bosqichli va uzoq vaqt talab qiladigan vazifalarni bajarish so'ralganda, asosiy modeldan ko'ra uning atrofidagi dasturiy infratuzilma, ya'ni "harness" (qobiq) hal qiluvchi rol o'ynaydi. Mazkur qobiq xotirani boshqarish, asbob-uskunalar to'plami va modelga mustaqil harakat qilish imkonini beruvchi qoidalarni o'z ichiga oladi.
Eksperiment davomida tadqiqotchilar Claude Opus 5 modeliga moslashtirilgan maxsus qobiq va boshqaruvchi "supervisor" komponentini qo'lladi. Natijada model ko'rsatmalarsiz 2D o'yinlarni mustaqil yechishga mo'ljallangan qiyin ARC-AGI-3 benchmarkida 100% lik mutlaq natijani qayd etdi. Qobiqsiz holatda esa model atigi 30% to'play olgan edi. Taqqoslash uchun, OpenAI modellari ushbu testda dastlab 10% dan ham past natija ko'rsatgan va qobiqni sozlash orqali ko'rsatkichini uch baravarga oshirgan bo'lsa-da, 100% natijaga yaqinlasha olmagan.
Nvidia AI bo'limi vitse-prezidenti Adel El Xallakning tushuntirishicha, sohada ko'pincha agent oddiygina modelning APIsi sifatida qabul qilinadi. Aslida esa agent — bu model, uning atrofidagi qobiq, foydalaniladigan asboblar, runtime muhiti va unga berilgan ko'nikmalar to'plamidir. Nvidia ishlab chiqqan Agentic Variation Operators (AVO) tizimidagi nazoratchi agent asosiy ishchi agent adashganda yoki noto'g'ri yo'ldan ketganda uni boshqarib, to'g'ri yo'nalishga solib turadi.
Agentlarning uzoq davom etuvchi vazifalarda adashib ketishi sohadagi eng katta muammolardan biri bo'lib kelmoqda. Masalan, Microsoft o'tkazgan tajribada 19 ta yetakchi LLM uzoq vazifalarda jiddiy xatolarga yo'l qo'ygan, ba'zi holatlarda esa modellar fayllar yoki ma'lumotlar bazalarini o'chirib yuborgan. Nvidia tajribasi esa to'g'ri tuzilgan nazorat qobig'i bu muammolarni bartaraf eta olishini isbotladi.
Nvidia ushbu tadqiqot orqali yangi mahsulot sotishni emas, balki o'zining NeMo brendi ostidagi ochiq texnologiyalar ekotizimini rivojlantirishni maqsad qilgan. Kompaniya vakillari ochiq agentlik infratuzilmasi dasturchilarga xarajatlarni nazorat qilish va tizim xavfsizligini ta'minlashda to'liq erkinlik berishini ta'kidlamoqda.
Dasturchilar va biznes egalari qimmatroq AI modellarini qidirish o'rniga, mavjud modellarga yaxshi xotira tizimi va nazoratchi (supervisor) agent kabi qobiq arxitekturasini qo'shish orqali xarajatlarni kamaytirib, samaradorlikni keskin oshirishi mumkin.
AI kod muharriridan foydalanishda eng muhim qoida — kichik o'zgarish, ko'rinadigan diff, majburiy test va qaytarish mumkin bo'lgan commit.