Исследователи из Google и Deepmind представили метод Dream-RSI, оптимизирующий процесс поиска решений для ИИ-агентов. Система не меняет саму модель, а использует данные прошлых запусков для тестирования стратегий. Этот процесс, называемый «сновидениями», позволяет агенту проверять тысячи вариантов без повторных дорогостоящих вычислений.
В ходе тестов с использованием Gemini 3.1 Pro и Gemini 3.7 Flash метод применили к восьми задачам. При расчетах для геномики и финансов среднее время выполнения сократилось с 3 587 до 2 931 миллисекунды, а количество попыток — с 550 до 317. Система показала лучшие результаты, чем решение SimpleTES, которому требовалось 51 200 запусков.
Эффективность метода подтвердилась в задачах математической оптимизации и написании GPU-ядер. В двух задачах для GPU система сохранила прежнюю производительность, сократив число запусков до 2,43 раза. В других случаях Dream-RSI обеспечила до 2,09 раза более высокую производительность при том же бюджете вычислений.
Дополнительный анализ показал, что сжатие истории поиска в явные инструкции может ограничивать агента, так как слишком узкие указания сужают пространство поиска. Код проекта и подробная информация о методе опубликованы на GitHub.
