arXiv · 21.06.2026 ·Исследования и наука

SCOPE: новый подход к планированию для ИИ-агентов в открытых средах

Исследователи представили метод SCOPE, направленный на улучшение долгосрочного планирования для воплощенных ИИ-агентов. Современные системы часто объединяют мультимодальные модели (VLM) с классическими алгоритмами планирования, опирающимися на символьные представления среды. Однако в условиях открытого мира, где восприятие агента ограничено, такие представления часто оказываются неполными, что приводит к ошибкам в выполнении сложных задач.

Метод SCOPE позволяет агентам динамически эволюционировать и дополнять свои символьные модели мира в процессе взаимодействия с окружением. Вместо опоры на статичные данные, полученные на этапе первичного восприятия, система непрерывно корректирует внутреннее описание задачи. Это помогает агенту эффективнее справляться с неопределенностью и корректировать план действий при изменении условий, когда исходных данных недостаточно для принятия решения.

Данная разработка решает проблему «узкого места» в робототехнике и агентных системах, где разрыв между визуальным восприятием и логическим планированием препятствует выполнению многоэтапных инструкций. Использование адаптивных символьных структур позволяет повысить автономность систем в непредсказуемых сценариях, приближая их к более гибкому и осмысленному поведению в реальных физических или виртуальных пространствах.

Источник: arXiv

Похожие материалы

Hacker News · Оркестрация агентов Четыре подхода к планированию задач для ИИ-агентов Эффективность работы автономных ИИ-систем напрямую зависит от методов планирования, которые позволяют агенту разбивать сложные цели на последовательные действия. На текущий момент выделяют четыре основных паттерна проектирования агентных рабочих процессов, каждый из которых подходит для специфических задач. Hacker News · MCP и интеграции Scope: новый стандарт для интеграции продуктов с ИИ-агентами Сервис Scope представил решение, позволяющее сделать любой программный продукт доступным для взаимодействия с ИИ-агентами. Инструмент решает проблему «изолированности» приложений, предоставляя стандартизированный интерфейс, через который автономные системы могут находить функции сервиса, понимать их назначение и выполнять действия без участия человека. Hacker News · Оркестрация агентов OpenPlan: навигационная система для ИИ-агентов Проект OpenPlan предлагает новый подход к управлению сложными цепочками действий для автономных ИИ-систем. Платформа работает как навигатор, помогая агентам планировать маршрут выполнения задач, обходить препятствия и перестраивать стратегию в реальном времени при изменении условий среды. Это решение направлено на повышение надежности агентных систем, которые часто сталкиваются с ошибками при выполнении многошаговых процессов. arXiv · Оркестрация агентов Новый подход к маршрутизации множества ИИ-агентов Исследователи из Университета Карнеги-Меллон представили новую работу, посвящённую компиляционным методам в задачах маршрутизации множества агентов (MAPF). В отличие от классических подходов, где все агенты должны достичь заданных целей без столкновений, авторы рассматривают варианты с разными требованиями к агентам. arXiv · Машинное обучение Новый метод безопасного обучения с подкреплением для долгосрочных задач Исследователи представили новый подход к решению проблемы безопасного исследования в обучении с подкреплением (Reinforcement Learning). Основная сложность заключается в том, что агенты должны максимизировать производительность, строго соблюдая ограничения безопасности. В задачах с длинным горизонтом планирования текущие методы часто сталкиваются с накоплением ошибок оценки и ограниченными возможностями для поиска оптимальных стратегий, что делает их недостаточно надежными. Hacker News · Инфраструктура для агентов Deep Work Plan: автоматизация спецификаций для ИИ-агентов Инструмент Deep Work Plan предлагает новый подход к подготовке кодовых баз для работы с ИИ-агентами. Система анализирует существующий репозиторий и автоматически преобразует его структуру в набор спецификаций, которые служат «картой» для агентных систем. Это позволяет агентам лучше ориентироваться в контексте проекта, понимать зависимости и следовать заданным архитектурным правилам при генерации кода. arXiv · Инфраструктура для агентов Новый метод для координации агентов с разными целями Исследователи из MIT и Университета Карнеги-Меллона представили новый подход к обучению ИИ-агентов в условиях многозадачности и конфликтов целей. В статье на arXiv они описывают Preference Coordinated Multi-agent Policy Optimization (PCMA) — метод, который позволяет агентам координировать свои действия даже при наличии противоречивых целей и различий в наблюдениях и ролях. Hacker News · Инфраструктура для агентов Оптимизация стоимости и безопасности в агентных рабочих процессах Разработан новый подход к проектированию агентных систем, направленный на снижение затрат на инференс и повышение предсказуемости поведения моделей. Основная идея заключается в переходе от использования тяжелых LLM для выполнения всех этапов задачи к многоуровневой архитектуре, где сложные логические операции делегируются специализированным компактным моделям или жестко заданным алгоритмическим модулям. arXiv · Машинное обучение Модельно-ориентированный подход к созданию сред для обучения с подкреплением Исследователи представили новый подход к разработке виртуальных сред, предназначенных для обучения агентов с подкреплением (RL). Традиционно создание таких систем требует значительных затрат времени, так как для успешной сходимости алгоритмов агентам необходимо тренироваться в множестве схожих, но вариативных условий. Авторы работы предлагают использовать модельно-ориентированную методологию, которая позволяет автоматизировать генерацию семейств сред, сохраняя при этом их функциональную близость. OpenAI News · Оркестрация агентов Методы управления контекстом для долгосрочных ИИ-задач Для решения сложных многоэтапных задач разработчики переходят от простых запросов к архитектурам, поддерживающим непрерывный рабочий процесс. Основная проблема при работе с моделями заключается в ограничении контекстного окна и потере фокуса при выполнении длительных операций. Использование специализированных подходов позволяет сохранять состояние проекта и обеспечивать последовательное выполнение действий без необходимости перезапуска всей цепочки рассуждений.

← Все материалы