Salesforce Research и Stanford представили Agent0
Это система, в которой два агента, созданные из одной базовой модели, проходят многократный цикл ко-эволюции:
- Curriculum agent постоянно генерирует сложные задачи
- Executor agent учится их решать, используя встроенные инструменты
Самоподдерживающийся процесс в этой системе достигается за счет развития executor — рост его навыков заставляет первого агента все время усложнять задания. Такой подход усиливает способности базовых моделей: например, Qwen3-8B-Base показала рост на 18% в математике и на 24% в общем рассуждении.
Почему это важно: Agent0 полностью отказывается от внешних датасетов, а значит, не ограничен масштабом и может развиваться дальше человеческого знания. Потенциально это ускоряет создание специализированных AI-агентов.
BAAI, Peking University и Hong Kong Polytechnic University представили General Agentic Memory (GAM)
Это подход, в котором агенты формируют память через глубокое исследование, а не поверхностный поиск. Система основана на двух компонентах:
- Memorizer сжимает информацию в легкой памяти, объединяя ее с соответствующими данными в страницу, и затем отправляет эти страницы в хранилище.
- Researcher при запросе работает поверх собранной памяти как исследователь: определяет, какие данные нужны, планирует поиск, извлекает релевантные знания, проверяет их полноту и повторяет цикл, пока запрос не будет закрыт. После чего применяет найденные знания в разных задачах и доменах.
Принцип превосходит существующие системы памяти и может достигать более 90% точности на сложных многошаговых задачах.
Почему это важно: современные агенты ограничиваются поверхностным поиском информации или создают память, привязанную к конкретной задаче, которую невозможно перенести на другие. Исследование же показывает, что память может стать накопленным активом: знания, полученные для одной задачи, масштабируются на будущие, формируя доменную экспертизу, а не одноразовый контекст.
Также на прошлой неделе
- Anthropic выпустила Claude Opus 4.5, выйдя в лидеры в программировании и агентных сценариях. Модель стала дешевле и получила параметр reasoning effort для управления глубиной рассуждений
- Black Forest Labs представила Flux.2
- Microsoft запустила агентную SLM (малую языковую модель) для работы с интерфейсами компьютера
- Anthropic показала способ заставить AI-агентов работать часами, обходя потерю контекста между сессиями и обеспечивая стабильный пошаговый прогресс
- AMD, IBM и Zyphra AI анонсировали первую Mixture of Experts (MoE) модель, обученную на стеке AMD
- Moonshot AI разработала систему для ускорения прогонов в синхронном RL – обучении с подкреплением.
