Как ИИ-агенту освоить новый навык на практике методом Сократа Один удачный запуск не гарантирует, что ИИ-агент освоил навык: процедура могла сработать случайно и не перенестись на похожую задачу. Авторы предлагают сократическое обучение навыкам: эксперт помогает агенту во время работы, но сам не выполняет задачу и не редактирует навык. Ученик проверяет гипотезы с помощью инструментов и записывает процедуру, а наставник задаёт вопросы и указывает на пробелы; его советы можно проверить или отвергнуть. Затем свежий экземпляр модели испытывает навык на новых задачах: авторы собрали 408 задач в 35 семействах и проверили переносимость на отдельных примерах. На 155 проверочных задачах из 22 семейств обучение по нерешённым вопросам получило оценку 0,805 против 0,801 у периодических занятий. При этом наставнику понадобилось на 61,7% меньше токенов, а общее число токенов на обучение и проверки сократилось на 16,9%. Если создаёте навыки для ИИ-агентов, проверяйте их на новых задачах, а не только на той, где они появились. 📜 Полная статья

Как ИИ-агент сам улучшает интерфейсы Компьютерным агентам часто приходится получать данные через кнопки, снимки экрана и долгие цепочки действий. Авторы предлагают Agent S4: система изучает записи работы агента и сама меняет набор доступных ему программных интерфейсов. Один агент выполняет задачи, а второй анализирует его действия, ошибки и ответы инструментов. Если агент снова и снова делает что-то вручную, метаагент может создать функцию для этого — например, чтобы получить содержимое писем сразу текстом, а не открывать их по одному. На OSWorld V2 с 108 задачами Qwen3.8-27B полностью решила 5,56% задач с обычными инструментами и 21,3% — с интерфейсами Agent S4. На ScienceBoard в шести научных приложениях результат вырос с 55,03% до 58,58%. 📜 Полная статья

Как ИИ предсказывает мозговую активность Обычно модели для предсказания мозговой активности оставляют неизменными и обучают только выходной слой: измерений мозга мало, чтобы безопасно обновлять всю нейросеть. Авторы предлагают малое дообучение — менять работу модели небольшими добавочными модулями, а не переобучать её целиком. Метод проверили на данных МРТ четырёх человек, смотревших эпизоды «Друзей»: модель предсказывала сигналы для тысячи областей мозга по видео, звуку и субтитрам. Чтобы сократить вычисления, авторы заменили многократную обработку перекрывающихся отрывков одним проходом по временному окну; извлечение признаков на одной видеокарте заняло около 2 часов вместо 700. С LoRA модель Qwen3-Omni получила корреляцию 0,327 на новых эпизодах против 0,310 у прежнего подхода, а на новых фильмах — 0,228 против 0,217. Малое дообучение улучшило результаты всех девяти проверенных моделей; если адаптируете мультимодальную модель к сигналам мозга, попробуйте менять её небольшими модулями. 📜 Полная статья