Новый фреймворк снижает расходы на работу ИИ-агентов на 50%

Во многих современных системах один главный агент разбивает задачу на подзадачи, распределяет их между другими агентами, собирает ответы, обобщает результаты и запускает следующий этап работы. Исследователи считают, что такая архитектура плохо масштабируется: главный агент становится узким местом, а полезная информация может теряться или искажаться при пересказе.

DeLM устроен иначе. Вместо центрального «оркестратора» агенты работают параллельно, берут задачи из общей очереди и записывают результаты в общий контекст. Этот контекст содержит короткие проверенные сводки — gists — о найденных решениях, частичных выводах, ограничениях и неудачных попытках.

Так агенты могут видеть, что уже пробовали другие, не повторять чужие ошибки и развивать найденные решения. При необходимости они могут раскрыть короткую сводку и посмотреть более подробные доказательства или исходные данные.

Исследователи называют это децентрализованной языковой моделью. Главная идея в том, что прогресс накапливается в общем состоянии задачи, а не проходит каждый раз через одного управляющего агента.

На практике это должно снижать расходы и ускорять работу. Если агенты не перечитывают одни и те же документы, не повторяют неудачные гипотезы и не ждут постоянных указаний от центрального контроллера, система тратит меньше токенов и времени.

На бенчмарке SWE-bench Verified, который проверяет способность ИИ решать реальные задачи в разработке ПО, DeLM показал результат на 10,5% лучше самого сильного базового подхода и снизил стоимость одной задачи примерно на 50%.

Фреймворк также протестировали на LongBench-v2 Multi-Doc QA — бенчмарке для задач с длинным контекстом и несколькими документами. По данным исследователей, DeLM показал самую высокую точность среди четырех семейств моделей, включая GPT-5.4, Claude Sonnet, Gemini Flash и DeepSeek-V4-Pro.

DeLM может быть полезен не только в программировании. VentureBeat отмечает, что такой подход подходит для отладки кода, анализа больших наборов документов, поиска ответов по нескольким источникам и других задач, где несколько агентов могут параллельно проверять разные гипотезы.

ИТ-команды уверены, что контролируют ИИ-агентов, но часто не знают, кто за них отвечает

По теме

ИТ-команды уверены, что контролируют ИИ-агентов, но часто не знают, кто за них отвечает

ИИ пока обходится компаниям дороже сотрудников, но скоро это может измениться

По теме

ИИ пока обходится компаниям дороже сотрудников, но скоро это может измениться

Кодинг-агенты хорошо ищут файлы, но плохо находят нужные строки кода — исследование

По теме

Кодинг-агенты хорошо ищут файлы, но плохо находят нужные строки кода — исследование