# Сопутствующие статьи по теме Мультиагент

Новостной центр HTX предлагает последние статьи и углубленный анализ по "Мультиагент", охватывающие рыночные тренды, новости проектов, развитие технологий и политику регулирования в криптоиндустрии.

Японская темная лошадка в области ИИ: Как маленькая модель с 7B параметрами бросает вызов Fable и Mythos?

В июне 2026 года японская компания Sakana AI представила модель Fugu, которая произвела фурор в AI-сообществе. Несмотря на скромные 7 миллиардов параметров, Fugu Ultra показала выдающиеся результаты в сложных тестах на инженерные и推理 (рассуждение) способности (SWE-Bench Pro, TerminalBench), превзойдя GPT-5.5 и Claude Opus 4.8. Ключевая инновация — архитектура: маленькая модель-«дирижёр» (RL Conductor) не генерирует ответы сама, а динамически распределяет задачи между мощными внешними моделями (GPT, Gemini, Claude), выступая в роли интеллектуального координатора. Это позволяет эффективно решать многоэтапные задачи, такие как ревью кода или анализ безопасности, с высокой стабильностью и меньшими затратами токенов. Однако система зависит от API сторонних моделей, что создает риски для стоимости и доступности. Для Японии, испытывающей ограничения в вычислительных ресурсах, такой подход «асимметричного прорыва» через координацию, а не через создание моделей-гигантов, представляет стратегический путь к развитию ИИ-суверенитета.

marsbit06/22 11:19

Японская темная лошадка в области ИИ: Как маленькая модель с 7B параметрами бросает вызов Fable и Mythos?

marsbit06/22 11:19

AGI не конец: новая работа DeepMind — на пути к ASI, настоящий прогресс ИИ только начинается

Если завтра будет достигнут искусственный общий интеллект (AGI), что дальше? Исследователи из Google DeepMind утверждают, что AGI — не конечная цель. AI продолжит развиваться, превзойдя лучшие коллективы экспертов-людей и двигаясь к искусственному сверхразуму (ASI). В докладе определены три ключевых понятия: AGI (уровень среднего человека во многих задачах), ASI (превосходство над человечеством практически во всех значимых областях) и теоретический предел UAI. Предложены четыре возможных пути перехода от AGI к ASI: 1. **Масштабирование**: Увеличение вычислительных мощностей, размеров моделей и объёмов данных. 2. **Эволюция алгоритмов**: Усовершенствование существующих методов (длинный контекст, использование инструментов) или смена парадигмы. 3. **Рекурсивное самоулучшение**: Более мощный AI помогает создавать ещё более мощные следующее поколение систем. 4. **Координация множества агентов**: Коллективный интеллект множества систем AGI, превосходящий возможности одиночных агентов. Также выделены шесть потенциальных препятствий: 1. **Ограниченность данных**: Исчерпание высококачественных данных, созданных человеком. 2. **Экономические и ресурсные ограничения**: Энергия, чипы, капитал. 3. **Ограниченность парадигмы нейросетей**: Проблемы с постоянным обучением, рассуждениями, "галлюцинациями". 4. **Усложнение исследований**: Прогресс требует всё больше усилий. 5. **Барьер абстракции**: Сложность самостоятельного открытия принципиально новых концепций. 6. **Регулирование и общественная реакция**. После преодоления человеческого уровня текущие методы оценки (бенчмарки) теряют смысл. Необходимы новые системы тестирования, такие как задачи на взаимодействие множества агентов, автоматическая генерация тестов или косвенные показатели (производительность). ASI не будет всемогущим — его ограничивают законы физики, вычислительная сложность и доступные ресурсы. Траектория и скорость развития остаются неопределёнными, требуя создания механизмов для постоянного прогнозирования и исследований.

marsbit06/16 12:04

AGI не конец: новая работа DeepMind — на пути к ASI, настоящий прогресс ИИ только начинается

marsbit06/16 12:04

TaiJi привлекла стратегическое финансирование в размере 3,5 млн долларов с участием Castrum Capital, Becker Ventures и Coinvestor Ventures

TaiJi привлек $3,5 млн в ходе стратегического раунда финансирования с участием Castrum Capital, Becker Ventures и Coinvestor Ventures. Средства будут направлены на разработку продукта, совершенствование AI-движка, развитие системы многозадачного анализа (multi-Agent), улучшение рыночной инфраструктуры данных, глобальное расширение сообщества и партнерств. TaiJi создает в экосистеме BSC интеллектуальную сеть для анализа рынка на базе искусственного интеллекта. Платформа объединяет рыночные данные, движение средств в блокчейне, изменения ликвидности, настроения в соцсетях и новостные события в единой системе AI-прогнозирования. Цель — преобразовывать разрозненные сигналы в структурированные сценарии, пути влияния, оценки рисков и последующие индикаторы для наблюдения, помогая пользователям лучше понимать воздействие событий на активы и рынок. Первоначальный продукт будет включать ключевые модули: Market Intelligence (агрегация данных), Scenario Engine (генерация AI-сценариев), Impact Map (визуализация влияния событий), Risk Signals (идентификация рисков) и My TaiJi (персонализированная рабочая область). Платформа не хранит активы пользователей, не осуществляет сделки, не дает инвестиционных советов и не гарантирует доход.

marsbit06/02 09:48

TaiJi привлекла стратегическое финансирование в размере 3,5 млн долларов с участием Castrum Capital, Becker Ventures и Coinvestor Ventures

marsbit06/02 09:48

TaiJi привлек 3,5 миллиона долларов США в рамках стратегического раунда финансирования при участии Castrum Capital, Becker Ventures и Coinvestor Ventures

TaiJi привлек 3,5 млн долларов США в рамках стратегического раунда финансирования с участием Castrum Capital, Becker Ventures и Coinvestor Ventures. Средства будут направлены на разработку продукта, модернизацию AI-движка, создание многозадачной аналитической системы, улучшение рыночной инфраструктуры данных, расширение глобального сообщества и развитие партнерств. TaiJi создает в экосистеме BSC интеллектуальную сеть для анализа рынка на базе искусственного интеллекта. Платформа объединяет рыночные данные, движение средств в блокчейне, изменения ликвидности, настроения в соцсетях и новостные события в единую систему AI-прогнозирования. Цель — преобразовывать разрозненные сигналы в структурированные сценарии, пути влияния, оценки рисков и ключевые показатели для наблюдения. Первый этап продукта включает пять основных модулей: Market Intelligence (рыночная аналитика), Scenario Engine (движок сценариев), Impact Map (карта влияния), Risk Signals (сигналы риска) и My TaiJi (персональная рабочая область). Платформа не хранит активы пользователей, не осуществляет сделки от их имени, не дает инвестиционных советов и не гарантирует доходность.

链捕手06/02 09:27

TaiJi привлек 3,5 миллиона долларов США в рамках стратегического раунда финансирования при участии Castrum Capital, Becker Ventures и Coinvestor Ventures

链捕手06/02 09:27

OpenAI и Anthropic, возможно, декламируют ложные догмы

За последний год «Мульти-агентные системы» (MAS) стали одним из самых популярных направлений в мире ИИ. Большинство текущих разработок, таких как Claude Code и Codex, следуют по пути «Harness MAS» — это подход, где несколько ИИ-агентов, подобно инструментам или рабочим узлам, централизованно управляются для выполнения сложных задач в рамках общего рабочего процесса. Однако автор статьи утверждает, что существует иной, менее обсуждаемый путь — «Protocol-Native Agent System». Его суть заключается в переходе от агентов как временных исполнителей задач к персональным агентам (или «бесчеловечным компаниям»), которые обладают постоянной идентичностью, долговременной памятью, собственными ресурсами, предпочтениями и суверенитетом, представляя интересы конкретного человека. В такой системе агенты больше не принадлежат одной платформе и не разделяют общие контекст и цели. Их взаимодействие не может строиться на промптах и рабочих процессах, а требует сложных протоколов, определяющих идентификацию, доверие, полномочия, механизмы стимулирования и обмена ценностями. Таким образом, мульти-агентная система эволюционирует от распределённой программной архитектуры к цифровому обществу автономных субъектов. Ключевой вызов будущего — не в силе отдельного ИИ, а в создании протоколов для долгосрочной координации между агентами с разными целями, моделями мира и системами ценностей. Это возрождает важность онтологий и семантических протоколов. В перспективе даже компании могут стать динамическими альянсами таких персональных агентов, что ознаменует рождение truly intelligent-native цивилизации.

marsbit05/28 05:33

OpenAI и Anthropic, возможно, декламируют ложные догмы

marsbit05/28 05:33

Паттерны проектирования агентов: книга, которая помогла мне понять, что же такое "Агент" на самом деле

Книга «Agentic Design Patterns» Антонио Гулли предлагает системный взгляд на разработку AI-агентов через 21 паттерн. Автор выделяет четыре уровня зрелости агентов: Level 0 (простой LLM, не агент), Level 1 (использование инструментов с самостоятельным решением), Level 2 (стратегическое планирование и контекстная инженерия) и Level 3 (многоагентная коллаборация). Ключевые идеи включают Context Engineering — управление контекстом агента для повышения точности, паттерн Reflection с раздельными агентами-производителем и критиком для самоисправления, а также прагматичный подход к многоагентным системам, где архитектура коммуникации должна соответствовать сложности задачи. Описывается трехуровневая модель памяти (сессия, состояние, долговременная память). В заключении предлагаются три практических шага: добавить критика к агенту, внедрить Context Engineering и не торопиться с многоагентными системами, сначала добившись эффективности одиночного агента 2-го уровня. Книга структурирует накопленный опыт, предоставляя готовые схемы для построения эффективных агентов.

链捕手05/25 04:45

Паттерны проектирования агентов: книга, которая помогла мне понять, что же такое "Агент" на самом деле

链捕手05/25 04:45

活动图片