Проактивные и персонализированные ИИ-агенты: новый метод обучения
**⚠️ Status: preprint This article is based on a preprint published on arXiv. The work may not have undergone independent peer review. Conclusions reflect the authors' position.
Проактивные и персонализированные ИИ-агенты: новый метод обучения
Кратко: Исследователи представили новый подход к обучению ИИ-агентов, ориентированный на сотрудничество с людьми. Метод включает три измерения: продуктивность, проактивность и персонализацию. В тестах агенты, обученные по новой методике, превзошли сильные базовые модели, включая GPT-5, в среднем на 16,7 пунктов.
Что произошло
В препринте на arXiv опубликована работа «Training Proactive and Personalized LLM Agents». Авторы утверждают, что современные ИИ-агенты оптимизированы для изолированных задач, и предлагают сместить парадигму в сторону агентов-коллабораторов, которые общаются и адаптируются к людям. Для этого формализованы три измерения: Productivity (продуктивность), Proactivity (проактивность) и Personalization (персонализация). Введена среда UserVille с конфигурируемыми LLM-симуляторами пользователей и обратной связью для оценки этих измерений. Предложена многокритериальная структура обучения с подкреплением, использующая вознаграждения за результаты задач, усилия вопросов и соблюдение предпочтений. На двух реальных задачах (SWE-Bench и BrowseComp-Plus) PPP-обученные агенты превосходят сильные базовые LLM, включая GPT-5, в среднем на 16,7 пунктов, задают более целевые вопросы и обобщаются на невидимые предпочтения и задачи.
Цены и доступность
Исследование опубликовано в виде препринта на arXiv (номер 2511.02208) и не прошло рецензирование. Это научная работа, а не коммерческий продукт, поэтому информация о ценах и коммерческой доступности отсутствует.
Почему это важно
Работа предлагает новый взгляд на обучение ИИ-агентов: вместо выполнения отдельных задач они учатся взаимодействовать с пользователем, задавать уточняющие вопросы и учитывать предпочтения. Это может привести к созданию более адаптивных ассистентов, способных работать в реальных сложных приложениях. Результаты на бенчмарках SWE-Bench и BrowseComp-Plus показывают значительное превосходство над базовыми LLM, что подтверждает эффективность подхода. В отличие от традиционных агентов, которые выполняют только прямые команды, новый подход позволяет агентам самим инициировать взаимодействие и задавать вопросы, что повышает качество выполнения задач.
Для пользователей AI-Sphere
Для пользователей AI-Sphere это означает, что в будущем ИИ-ассистенты могут стать более проактивными и персонализированными: они будут не просто выполнять команды, а предлагать решения, уточнять детали и адаптироваться к индивидуальным предпочтениям. Пользователи смогут ожидать, что ИИ-помощники будут лучше понимать их личные предпочтения и активно предлагать помощь, а не ждать явных инструкций. Следите за обновлениями в каталоге моделей — возможно, появятся агенты, обученные по этой методике.
Источники