Исследователи из Meta, Университета Дьюка и Калифорнийского университета в Дэвисе представили новый метод оптимизации ИИ-агентов. Работа под названием 'Mixture of Self-Improving Branches for Agent Harness Optimization' предлагает улучшать не саму модель, а программную оболочку вокруг нее, используя несколько самообучающихся ветвей вместо одной.
Система разделяет процесс поиска на специализированные ветви, каждая из которых развивается автономно на основе собственных данных. Специальный маршрутизатор выбирает оптимальную ветвь для каждого входящего запроса. Весь процесс обучения проходит на наборах данных для разработки без доступа к тестовым выборкам.
Новая разработка развивает систему Meta-Harness, выпущенную 30 марта 2026 года. При использовании модели Gemini 3 Flash точность решения математических задач олимпиадного уровня выросла с 46,0% до 62,0%, что соответствует относительному улучшению на 34,8%.
Система также показала прирост производительности на 11,6% в тестах Terminal-Bench 2.0, оценивающих работу агентов в командной строке. Препринт статьи, опубликованный 29 сентября 2026 года под номером arXiv:2609.37834v1, подготовили Хаоюй Дун, Цзыхао Линь, Личжу Чжан и Чжокай Чжао.
