[AINews] Autoresearch: Sparks of Recursive Self Improvement

[AINews] Autoresearch: проблески рекурсивного самоулучшения

AGI делает ещё один маленький шаг вперёд.

В продолжение последствий WTF Happened in 2025 у нас теперь есть зачатки того, как LLM способны полностью автономно обучать (меньшие) LLM.

У каждого ИИ-лета есть свой «момент AutoML»: мечта о моделях, автоматически улучшающих обучение моделей и тем самым запускающих бесконечную рекурсию интеллекта, ведущую либо к нирване, либо к гибели. Возможно, мы живём в Последнее Лето, но свой момент мы только что пережили:

В нашем разговоре с Yi Tay в декабре 2025 он говорил о «vibe training»:

«Думаю, AI-кодинг дошёл до точки, когда я запускаю задачу и получаю баг — и я почти не смотрю на этот баг. Я просто вставляю его в Antigravity и даю ему починить баг за меня. А потом перезапускаю задачу. Это уже за пределами vibe coding, это скорее vibe training, vibe ML или что-то в этом роде. Я бы сказал, в большинстве случаев он справляется довольно хорошо. И на самом деле есть классы задач, в которых он просто в целом... я знаю, что он реально в этом хорош, и по факту, наверное, даже лучше меня — мне пришлось бы потратить 20 минут, чтобы разобраться в проблеме. Я бы сказал, уровень один vibe coding — это когда ты на самом деле знаешь, что делать, тебе просто лень. Ну да, типа: а, просто сделай за меня. Я это делал тысячу раз. Следующий уровень — когда ты на самом деле даже не знаешь, что делать. Он расследует баг за тебя. И пока ответ выглядит правильным, ты просто отправляешь его. Поначалу я проверял и смотрел всё. А потом в какой-то момент подумал: может, модель кодит лучше меня. Так что я просто дам ей делать своё дело. А потом перезапущу задачу на основе исправления, которое дала модель.»

Итак, мы знали, что это происходит в Больших Лабораториях, но теперь любой, у кого есть GPU, может поиграть с этим дома и увидеть, как модели улучшают модели.

Учитывая, что на дворе март 2026, мы, похоже, вполне укладываемся в график для «Автоматизированного ИИ-исследователя-стажёра» Якуба Пахоцки к сентябрю ЭТОГО года («Система, которая может реально ускорять работу исследователей-людей, а не просто болтать или писать код.»)

AI News за 5.03.2026—9.03.2026. Мы проверили 12 сабреддитов, 544 Twitter-аккаунта и 24 Discord-сервера (264 канала и 27779 сообщений) ради вас. Оценочно сэкономленное время на чтение (при 200 слов/мин): 2649 минут. Сайт AINews позволяет искать по всем прошлым выпускам. Напоминаем, что AINews теперь является разделом Latent Space. Вы можете подписаться/отписаться от частоты рассылок!

Обзор AI Twitter

Кодинг-агенты: продуктизация, дизайн харнессов и «агенты на каждом уровне»

Кодинг-агенты смещают узкое место с реализации на ревью/верификацию: множество тредов сходятся к одной системной мысли — генерация становится дешёвой, но суждение, управление и верификация становятся новыми ограничениями. См. формулировку «исполнение дёшево, суждение в дефиците» у @AstasiaMyers и более ориентированный на безопасность/управление тезис о том, что создание и верификация — это разные инженерные задачи, у @omarsar0 и в продолжении @omarsar0. Это подкрепляется реальными запусками продуктов для ревью PR и альтернативами: Claude Code «Code Review»: Anthropic выпускает мультиагентное ревью PR — агенты параллельно ищут проблемы, верифицируют находки, ранжируют по серьёзности; заявлен внутренний рост с 16% → 54% PR с осмысленными комментариями и <1% ошибочных находок (Claude, обзорный тред @kimmonismus, реакция @Yuchenj_UW). Позиционирование OpenAI Codex Review: подача ревью кода по модели «оплата за использование», поданная как существенно дешевле тарификации за каждое ревью; см. @rohanvarma. Devin Review: Cognition запускает бесплатный инструмент ревью PR через подмену URL, плюс функции автоисправления и diff (Cognition). Инженерия харнессов становится системной инженерией: появляется практический паттерн — отделять хранилище агента от вычислений агента, чтобы команды агентов могли сотрудничать через общие репозитории/файловые системы, работая при этом в изолированных песочницах. Это явно проявляется у @Vtrivedy10. Связанные детали инфраструктуры включают добавление в Hermes-agent монтирования docker-томов для упрощённого доступа к файлам в песочницах (Teknium). Perplexity «Computer» превращается в оркестратор агентов с реальными тулчейнами: Perplexity добавляет Claude Code + GitHub CLI внутрь «Perplexity Computer» и демонстрирует сквозной процесс: форк репозитория → реализация исправления → отправка PR (AskPerplexity, @AravSrinivas). Также заявлена автономная работа с рекламными кампаниями через коннекторы Google/Meta Ads API (Arav), что подталкивает агентов от «помощи в кодинге» к управлению бизнес-инфраструктурой. Terminal UX и «эргономика агентов» всё ещё важны: разработчики жалуются на базовую эргономику многострочного ввода (shift+enter) в CLI-инструментах (theo, @QuixiAI, и в более общем смысле эстетические/UX-предпочтения в CLI-приложениях @jerryjliu0). Это напоминание о том, что «способности агента» сильно опосредованы дизайном взаимодействия.

Autoresearch и самоулучшающиеся циклы: агенты, оптимизирующие обучение ML и код агентов

«Autoresearch» Карпати превращается из мема в измеримые улучшения: Андрей сообщает, что запустил управляемый агентом исследовательский цикл на nanochat, нашёл ~20 складывающихся изменений, переносимых с depth=12 на depth=24, и улучшил «Time to GPT-2» с 2.02ч → 1.80ч (~11%) после ~700 автономных изменений (Karpathy). Ключевой вывод для инженеров: даже когда речь не идёт о «новом исследовании», цикл может систематически находить складывающиеся, переносимые улучшения рецепта обучения (нормировочные масштабаторы, пробелы в регуляризации, тюнинг внимания, беты AdamW, инициализация и т.д.). Он прямо называет это «битвой с финальным боссом» для фронтирных лабораторий: рои агентов, оптимизация прокси, продвижение на большие масштабы. Циклы агентов всё ещё хрупки в разных харнессах/моделях: повторяющаяся проблема в том, что долгоиграющие циклы зависят от возможностей харнесса больше, чем от сырого качества модели. Yuchen отмечает, что GPT-5.4 xhigh не справляется со следованием «LOOP FOREVER», тогда как Opus 4.6 работает 12+ часов и 118 экспериментов (Yuchen). Карпати добавляет, что Codex не может нормально запускать autoresearch в текущей конфигурации, и утверждает, что агентам не должны требоваться специальные команды вроде /loop — «если я говорю loop forever, он должен просто это делать» (Karpathy, отклик Yuchen). Итог: если вы строите инфраструктуру агентов, вкладывайтесь в надёжные примитивы зацикливания, прерывание/перемотку и прозрачные интерактивные сессии. Hermes-agent движется к самоулучшению + спорным «skills»: агент Hermes от Nous Research отмечается как трендовый (OpenRouter). Teknium заявляет о быстрой «абляции» (удалении ограждений) модели Qwen-3B (Teknium) и позже упоминает самоулучшающиеся кодовые базы агентов / работу, вдохновлённую GEPA (Teknium). Это соседствует с более формальными подходами к «самоэволюционирующим агентам», такими как GEPA; см. заметку практика @myanvoos и упоминание о заявленных улучшениях (LakshyAAAgrawal).

Обновления экосистемы моделей: дискурс вокруг GPT-5.4, доминирование Anthropic в документах и движуха вокруг Gemma/Qwen

GPT-5.4: сильные настроения пользователей, неоднозначные разговоры о бенчмарках и ограничения инструментария Позитивные впечатления от практики: @Hangsiin говорит, что 5.4 — это скачок по сравнению с 5.2 в ChatGPT; @Yampeleg называет её «фантастической»; @gneubig предпочитает 5.4 за следование инструкциям по сравнению с Opus 4.6 (хотя Opus быстрее/лучше во фронтенде). Случай с распознаванием/OCR указывает на значительное улучшение в сложном OCR корейских таблиц, возможно, за счёт «агентного зрения + исполнения кода», но с долгим временем работы (до 40 минут) (Hangsiin). Часть комментариев о бенчмарках/мета заявляет о регрессиях или различиях в ранжировании между вариантами «high/xhigh» на конкретных лидербордах (scaling01, scaling01), тогда как другие публикуют новые точки SOTA (например, дельты ZeroBench JRobertsAI). Практическая заметка: лимиты использования и тарификация Codex задокументированы через скриншоты/сводку (Presidentlin), что подчёркивает: в реальных рабочих процессах люди уже смешивают модели по ролям (планировщик/исполнитель/редактор), а не выбирают одну «лучшую» модель. Anthropic: лидерство в анализе документов + история с иском о «чёрном списке Пентагона» Document Arena сообщает, что топ-3 — это модели Anthropic для анализа документов / рассуждений в длинном формате: Opus 4.6 #1, Sonnet 4.6 #2, Opus 4.5 #3 (arena). Параллельно с продуктовыми победами циркулируют крупные политические/юридические новости: множество изданий/твитов утверждают, что Anthropic подала иски после того, как Пентагон присвоил ей ярлык «риска цепочки поставок», что подаётся как месть за отказ снять защитные механизмы против массовой слежки / автономного оружия (kimmonismus, TheRundownAI). Инженерам стоит отделять политический дискурс от технической оценки, но это важно для ограничений при закупках и корпоративного внедрения. Gemma 4 и Qwen3.5 Циркулируют слухи/утечки о Gemma 4: «вот-вот» и спекуляции о параметрах, включая заявления о 120B всего / 15B активных (scaling01, kimmonismus, упоминание утечки kimmonismus). Относитесь к конкретике как к неподтверждённой до официального релиза. Опубликовано руководство Unsloth по локальному запуску Qwen3.5 + рабочий процесс агента для файнтюнинга, с заявлением, что это работает на ≤24ГБ ОЗУ, и показан агент, файнтюнящий модели с помощью Unsloth (UnslothAI). Кадровая движуха в Qwen / скепсис к репортажам: журналист критикует «сливы даты релиза DeepSeek» из анонимных источников и более широкие практики освещения китайских технологий (vince_chow1). Также упоминается, что технический руководитель Qwen уходит в отставку (через обзор в рассылке, не из первоисточника) (ZhihuFrontier).

Инфраструктура, производительность и инструменты оценки

vLLM на edge + работа над роутером + уроки отладки vLLM отмечается за запуск полностью локального ассистента на NVIDIA Jetson, обслуживающего MoE (Nemotron 3 Nano 30B) на устройстве с «нулевыми облачными API» (vllm_project). Упоминание исполнительным директором Microsoft «vLLM Semantic Router» вызывает одобрение (XunzhuoLiu) — семантическая маршрутизация всё чаще становится частью продакшн-стеков. Заметки об отладке: несовместимости DeepGemm вызывают поломку vLLM; обходной путь через VLLM_USE_DEEP_GEMM=0 (TheZachMueller). Замедление Claude Code + локальной модели из-за заголовков атрибуции, инвалидирующих KV-кэш → фактически O(N²) поведение — это конкретная подстава по производительности для всех, кто прокидывает «облачный UX агента» на локальный инференс (danielhanchen). Теория обучения и пропускная способность Теория warmup/decay: заявление «warmup нужен, когда нормы градиента падают рано» со ссылкой на статью (aaron_defazio); rosinality предлагает паттерны скалярного warmup на каждую остаточную ветвь (rosinality). Hugging Face интегрирует параллелизм последовательностей Ulysses в Trainer/Accelerate/TRL (StasBekman). Идея CosNet: добавление низкоранговых нелинейных остаточных функций к линейным слоям даёт 20%+ ускорение по wallclock в претрейнинге, согласно заявлениям (torchcompiled). Оценка и тестирование безопасности «сдвигаются влево» в рабочие процессы разработки OpenAI приобретает Promptfoo; он остаётся open-source; это усилит агентное тестирование безопасности/оценки в «OpenAI Frontier» (OpenAI, дополнительный контекст от @snsf). LangSmith добавляет мультимодальные оценщики и инбокс Agent Builder для управления параллельными задачами агентов (LangChain, LangChain). Harbor интегрирует сквозную оценку computer-use (Windows/Linux) в масштабе, генерируя траектории для SFT/RL из роллаутов (Mascobot). Teleport предлагает «агентную идентичность» как control plane: криптографическая идентичность, минимальные привилегии, аудит-трейлы через MCP/инструменты (TheTuringPost).

Агентам нужен лучший контекст: документация, поиск, память и «энвайронментизация»

«Документация как инструмент» (а не вставка в промпт) становится стандартным примитивом: Andrew Ng запускает Context Hub — CLI, который подтягивает актуальную документацию API, чтобы уменьшить галлюцинации из-за устаревших API; также поддерживает постоянные аннотации и в перспективе обмен в сообществе (AndrewYNg). Это именно тот тип маленького «склеивающего» инструмента, который существенно меняет надёжность агентов в быстро меняющихся API. Исследования/бенчмарки поиска и памяти AgentIR предлагает использовать «токены рассуждений» агента как сигналы («читает мысли вашего агента») и сообщает об улучшении на BrowseComp-Plus с 35% → 50% → 67% по сравнению с базовыми решениями (zijian42chen). Memex(RL) предлагает индексированную память опыта для масштабирования задач с длинным горизонтом без раздувания контекстных окон (omarsar0). KARL от Databricks/DAIR: мультизадачное RL-обучение для корпоративных поисковых агентов; заявляет о Парето-оптимальных компромиссах стоимости/задержки/качества и улучшенной генерализации за пределами оптимизации под один бенчмарк (dair_ai). «Превращай всё в среду»: рефлексия после хакатона утверждает, что среды демократизируют ИИ, поскольку позволяют «получить долю без вычислений», и кодинг-агенты доминируют в построении сред — но им нужны лучшие skills/команды (ben_burtenshaw). Prime Intellect неоднократно позиционируется как инфраструктурный слой для запуска RL-сред/обучения с минимальной настройкой (willccbb). Контекст документов становится «глубокой инфраструктурой», а не общими фреймворками LlamaIndex показывает парсинг и поиск по слайд-презентациям («Surreal Slides») с использованием LlamaParse → SurrealDB → MCP-интерфейс агента (llama_index, jerryjliu0). Jerry Liu прямо формулирует стратегический разворот: от широкого RAG-фреймворка к инфраструктуре OCR документов как непреходящему узкому месту агентов (jerryjliu0).

Робототехника и воплощённый ИИ: от домашних демо гуманоидов к open-source обучению роботов

Автономная уборка дома Figure Helix 02: Brett Adcock публикует демо с заявлением о полностью автономной уборке гостиной и подаёт это как крупную веху (adcock_brett, продолжение adcock_brett). Kimmonismus экстраполирует «роботы дома к 2027» (kimmonismus) — спекуляции о сроках в сторону, это заметный порог для демо: полнотелая, сквозная бытовая задача. LeRobot v0.5.0: робототехнический стек Hugging Face выпускает крупные обновления: поддержку гуманоида Unitree G1, новые политики, чанкинг в реальном времени, более быстрые датасеты, интеграцию EnvHub/Isaac, Python 3.12 + Transformers v5, систему плагинов (LeRobotHF). Бенчмарки памяти в робототехнике: RoboMME появляется как бенчмарк памяти для генералистских политик роботов (_akhaliq).

Топ-твиты (по вовлечённости, отфильтровано преимущественно по теме tech/AI)

Claude Code выпускает мультиагентное «Code Review» PR: @claudeai Пост об OSINT-пайплайне (синтез с помощью ИИ) набирает огромную вовлечённость (методология с помощью ИИ, хотя и геополитическая): @DataRepublican Karpathy: autoresearch улучшает обучение nanochat на ~11%: @karpathy Google Earth: обновление датасета Satellite Embedding (AlphaEarth Foundations), 64-мерный эмбеддинг на каждый 10-метровый пиксель: @googleearth Andrew Ng выпускает Context Hub (живая документация API для кодинг-агентов): @AndrewYNg OpenAI приобретает Promptfoo (агентное тестирование безопасности/оценки; остаётся OSS): @OpenAI

Продолжите чтение с 7-дневным бесплатным пробным периодом

Подпишитесь на Latent.Space, чтобы продолжить читать этот пост и получить 7 дней бесплатного доступа к полному архиву постов.