Как слабая модель ИИ переключает задачи на сильную: LEASH
Как слабая модель ИИ переключает задачи на сильную: LEASH Компьютерные агенты на основе ИИ всё чаще решают длительные задачи, где каждый шаг требует действий. Использовать самую мощную модель на каждом шаге дорого, а небольшая открытая модель часто не справляется. Схема «слабое-к-сильному» предлагает компромисс: слабый агент действует по умолчанию, а контроль передаётся сильному только при необходимости. Ключевая проблема — решить, когда переключаться, и для этого нужен сигнал неопределённости, который дёшево проверять на каждом шаге. Исследователи представили метод LEASH — он оценивает уверенность слабого агента и передаёт управление сильному, когда уверенность падает. Но даже после передачи сильный агент может потеряться. Поэтому LEASH использует двухуровневую эскалацию: сначала слабый агент переключается на сильного, а если сильный тоже сомневается, он может привлечь ещё более мощную модель или запросить вмешательство человека. Это снижает затраты и повышает надёжность. Метод протестирован на нескольких задачах, включая навигацию в сети и работу с документами. Результаты показывают, что LEASH позволяет сократить использование сильной модели в среднем на 80% без потери качества выполнения задач, а в сложных сценариях — даже улучшить итоговый результат. Такой подход делает длительные операции с компьютером доступнее и дешевле для практического применения. Главное: • LEASH экономит до 80% вызовов сильной модели • Двухуровневая эскалация повышает надёжность агентов • Слабые модели справляются с 90% шагов задач • Метод протестирован на навигации и работе с документами #ИИ #Агенты #Оптимизация #Исследование