arXiv · 10.08.2026 ·Исследования и наука

Model Discovery Agent: новый подход к автоматизированному научному поиску

Исследователи представили Model Discovery Agent — систему, использующую LLM для байесовского планирования экспериментов. Агент позволяет эффективно строить механистические причинно-следственные модели, минимизируя количество необходимых данных. В отличие от стандартных методов аппроксимации функций, этот подход фокусируется на понимании механизмов системы, что критически важно для прогнозирования результатов действий, которые ранее не совершались.

Традиционные методы машинного обучения часто полагаются на пассивные данные, которые не позволяют выявить скрытые причинно-следственные связи. Для решения этой проблемы агент автоматически проектирует наиболее информативные эксперименты, сокращая затраты на их проведение. Это делает процесс научного открытия более экономичным и точным, позволяя ИИ самостоятельно определять, какие именно данные необходимы для подтверждения гипотез о структуре мира.

Метод объединяет мощь больших языковых моделей с байесовской статистикой, что позволяет системе не просто находить корреляции, а выстраивать логически обоснованные модели процессов. Такой подход открывает новые возможности для автоматизации исследований в областях, где проведение экспериментов требует значительных ресурсов, времени или высокой точности измерений.

Ключевые факты

Система использует LLM для автоматического проектирования экспериментов в рамках байесовского подхода.
Основная цель разработки — повышение эффективности сбора данных при построении механистических причинно-следственных моделей.
Метод решает проблему «интервенционных» вопросов, позволяя предсказывать исходы действий, которые ранее не были зафиксированы в обучающей выборке.
Подход направлен на преодоление ограничений пассивного обучения, где данных недостаточно для идентификации внутренних механизмов системы.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Оценка и бенчмарки Новый фреймворк для оценки автономного поиска моделей ИИ-агентами Исследователи представили методологию для систематической оценки того, как ИИ-агенты занимаются автономным моделированием данных. Поскольку поведение агентов стохастично и адаптивно, традиционные бенчмарки не дают полной картины. Новый подход, основанный на принципах экспериментального дизайна, позволяет количественно измерить процесс «открытия» моделей, обеспечивая более глубокое понимание того, как агенты справляются с задачами анализа данных в условиях неопределенности. Hacker News · Исследования и наука Концепция агентных моделей мира: переход от предсказания к планированию Исследователи переосмысливают архитектуру LLM, внедряя концепцию «агентных моделей мира». В отличие от стандартных языковых моделей, которые лишь предсказывают следующий токен, такие системы обучаются моделировать динамику среды и последствия действий. Это позволяет агентам строить долгосрочные планы, учитывая причинно-следственные связи и возможные изменения в окружении, что критически важно для автономного принятия решений в сложных условиях. Hacker News · Исследования и наука Исследование: могут ли LLM-агенты строить модели мира Учёные изучают способность языковых моделей (LLM) строить модели мира через агентное поведение. В новом исследовании, опубликованном на arXiv, рассматривается, как агентные автоматические системы могут обучаться и адаптироваться в динамических средах. Hacker News · Исследования и наука Автоматизированный поиск алгоритмов удаления концепций в LLM Исследователи представили новый подход к автоматическому поиску алгоритмов для удаления нежелательных концепций из весов нейронных сетей. Используя агентную систему, авторы смогли обнаружить эффективные методы «стирания» знаний, которые превосходят существующие ручные подходы. Это позволяет точечно корректировать поведение моделей, минимизируя побочные эффекты для общей производительности и сохраняя функциональность системы после удаления конкретных данных или концепций. Hacker News · Оркестрация агентов Концепция самообучающегося агента на базе моделей мира для написания кода Исследователи представили концепцию агента, способного к самосовершенствованию через построение «модели мира» для генерации и отладки кода. Система использует итеративный цикл, в котором агент не просто пишет программы, но и предсказывает результаты их выполнения, корректируя свои внутренние алгоритмы на основе полученной обратной связи, что позволяет повысить точность решения сложных инженерных задач без участия человека. arXiv · Исследования и наука Latent Memory Palace: новый подход к адаптивному рассуждению в задачах управления Исследователи представили метод Latent Memory Palace, который переносит способности LLM к адаптивному рассуждению в область непрерывного управления робототехникой. В отличие от стандартных моделей, работающих в языковом пространстве, этот подход использует вариационный вывод для создания скрытых представлений, что позволяет агентам гибко переключаться между мгновенными реакциями и длительным планированием действий в сложных динамических средах. Hacker News · Машинное обучение Автоматизация обучения моделей с помощью RL-агента Разработчик представил проект, в котором агент, обученный с помощью обучения с подкреплением (RL), берет на себя процесс настройки и тренировки других нейросетевых моделей. Эксперимент направлен на автоматизацию выбора гиперпараметров и стратегий обучения, что позволило сократить ручное вмешательство в процесс подготовки моделей, несмотря на затраты в 1300 долларов на вычислительные ресурсы. Hacker News · Машинное обучение Компиляция агентных рабочих процессов в веса LLM Исследователи представили метод компиляции сложных агентных рабочих процессов непосредственно в веса больших языковых моделей. Вместо использования внешних оркестраторов или многошаговых промптов, логика выполнения задач «запекается» в архитектуру модели. Это позволяет значительно сократить задержки при инференсе и снизить потребность в дополнительных вычислительных ресурсах для управления цепочками рассуждений агента. arXiv · Исследования и наука Автономные научные открытия через итеративную мета-рефлексию Исследователи представили новый подход к автоматизации научного поиска, основанный на методе итеративной мета-рефлексии. В отличие от существующих систем, ограниченных узкими рамками или заранее заданными вопросами, новая архитектура позволяет ИИ-агентам самостоятельно формулировать гипотезы, проводить их проверку и корректировать стратегию исследования на основе полученных результатов, что приближает системы к полноценному открытому научному поиску. arXiv · Исследования и наука EurekAgent: как ИИ-агенты автоматизируют научные открытия Исследователи из MIT и других ведущих университетов представили EurekAgent — фреймворк, который демонстрирует, как LLM-основанные агенты могут автоматизировать научные открытия. В статье, опубликованной на arXiv, авторы показывают, что при наличии оптимизируемого метрика и подходящей среды выполнения, агенты способны предлагать, проверять и итерировать научные решения, превосходя человеческие подходы.

← Все материалы