<\/span><\/h2>\nPasaulio modeliai \u017eada suteikti AI sistemoms galimyb\u0119 suprasti savo aplink\u0105, nereikalaujant \u017emoni\u0173 pa\u017eym\u0117t\u0173 duomen\u0173 ar \u017emogaus sukurto teksto. Naudodamos pasaulinius modelius, dirbtinio intelekto sistemos gali geriau reaguoti \u012f nenusp\u0117jamus ir nepaskirstomus \u012fvykius ir tapti tvirtesn\u0117s prie\u0161 realaus pasaulio neapibr\u0117\u017etum\u0105. <\/p>\n
Dar svarbiau, kad pasaulio modeliai atveria keli\u0105 dirbtinio intelekto sistemoms, kurios gali pereiti u\u017e teksto rib\u0173 ir i\u0161spr\u0119sti u\u017eduotis, susijusias su fizine aplinka. Pasaulio modeliai fizinio pasaulio d\u0117sningumus bando i\u0161mokti tiesiogiai i\u0161 steb\u0117jimo ir s\u0105veikos.<\/p>\n
Yra \u012fvairi\u0173 pasaulio modeli\u0173 k\u016brimo b\u016bd\u0173. \u201eDeepMind\u201c kuria \u201eGenie\u201c \u2013 generatyvi\u0173 nuo galo iki galo modeli\u0173 \u0161eim\u0105, kuri imituoja aplink\u0105, kad agentas gal\u0117t\u0173 numatyti, kaip aplinka vystysis ir kaip veiksmai j\u0105 pakeis. Jis paima vaizd\u0105 arba raginim\u0105 kartu su vartotojo veiksmais ir generuoja vaizdo kadr\u0173 sek\u0105, atspindin\u010di\u0105, kaip kei\u010diasi pasaulis. Genie gali sukurti interaktyvias aplinkas, kurios gali b\u016bti naudojamos \u012fvairiems tikslams, \u012fskaitant treniruojan\u010dius robotus ir savaranki\u0161kai va\u017eiuojan\u010dius automobilius. <\/p>\n
\u201eWorld Labs\u201c, naujas startuolis, kur\u012f \u012fk\u016br\u0117 AI pradininkas Fei-Fei Li, laikosi \u0161iek tiek kitokio po\u017ei\u016brio. \u201eMarble\u201c, pirmoji \u201eWorld Labs\u201c dirbtinio intelekto sistema, naudoja generatyv\u0173j\u012f AI, kad i\u0161 vaizdo ar raginimo sukurt\u0173 3D model\u012f, kur\u012f v\u0117liau gali naudoti fizikos ir 3D variklis, kad atvaizduot\u0173 ir imituot\u0173 interaktyvi\u0105 aplink\u0105, naudojam\u0105 robotams mokyti.<\/p>\n
Kitas metodas yra \u201eJoint Embedding Predictive Architecture\u201c (JEPA), kur\u012f palaiko Turingo apdovanojimo laureatas ir buv\u0119s Meta AI vadovas Yann LeCun. JEPA modeliai i\u0161 neapdorot\u0173 duomen\u0173 i\u0161moksta latentinius vaizdus, \u200b\u200b\u200b\u200bkad sistema gal\u0117t\u0173 numatyti, kas bus toliau, negeneruodama kiekvieno pikselio. <\/p>\n
JEPA modeliai yra daug efektyvesni nei generatyvieji modeliai, tod\u0117l jie tinka greito tempo realaus laiko AI programoms, kurios turi veikti ribot\u0173 i\u0161tekli\u0173 turin\u010diuose \u012frenginiuose. V-JEPA, vaizdo architekt\u016bros versija, yra i\u0161 anksto apmokyta naudoti nepa\u017eym\u0117t\u0105 internetin\u012f vaizdo \u012fra\u0161\u0105, kad b\u016bt\u0173 galima steb\u0117ti pasaulio modelius. Tada jis prideda nedidel\u012f kiek\u012f s\u0105veikos duomen\u0173 i\u0161 roboto trajektorij\u0173, kad palaikyt\u0173 planavim\u0105. \u0160is derinys rodo keli\u0105, kai \u012fmon\u0117s naudojasi gausiu pasyviu vaizdo \u012fra\u0161u (mokymai, patikrinimai, prietais\u0173 kameros, ma\u017emenin\u0117 prekyba) ir prideda ribotus, didel\u0117s vert\u0117s s\u0105veikos duomenis, kai joms reikia kontrol\u0117s. <\/p>\n
Lapkri\u010dio m\u0117n. LeCunas patvirtino, kad paliks \u201eMeta\u201c ir prad\u0117s nauj\u0105 AI startuol\u012f, kuris sieks \u201esistem\u0173, kurios supranta fizin\u012f pasaul\u012f, turi nuolatin\u0119 atmint\u012f, gali m\u0105styti ir planuoti sud\u0117tingas veiksm\u0173 sekas\u201c.<\/p>\n
<\/span>Orkestravimas<\/span><\/h2>\nPasienio LLM ir toliau siekia labai sud\u0117ting\u0173 etalon\u0173, da\u017enai pralenkdami \u017emoni\u0173 ekspertus. Ta\u010diau kalbant apie realaus pasaulio u\u017eduotis ir keli\u0173 etap\u0173 agent\u0173 darbo eigas, net stipr\u016bs modeliai sugenda: jie praranda kontekst\u0105, i\u0161kvie\u010dia \u012frankius su netinkamais parametrais ir daro ma\u017eas klaidas. <\/p>\n
Orkestracija tuos gedimus traktuoja kaip sistemos problemas, kurias galima i\u0161spr\u0119sti naudojant tinkamus pastolius ir in\u017einerij\u0105. Pavyzd\u017eiui, mar\u0161rutizatorius renkasi greit\u0105 ma\u017e\u0105 model\u012f, didesn\u012f model\u012f sunkesniems \u017eingsniams, paie\u0161kos \u012f\u017eeminim\u0105 ir deterministini\u0173 veiksm\u0173 \u012frankius. <\/p>\n
Dabar yra kelios sistemos, kurios sukuria orkestravimo sluoksnius, kad pagerint\u0173 AI agent\u0173 efektyvum\u0105 ir tikslum\u0105, ypa\u010d kai naudojami i\u0161oriniai \u012frankiai. Stanfordo \u201eOctoTools\u201c yra atvirojo kodo sistema, kuri gali suderinti kelis \u012frankius, nereikia tobulinti ar koreguoti modeli\u0173. \u201eOctoTools\u201c naudoja modulin\u012f metod\u0105, kuris suplanuoja sprendim\u0105, parenka \u012frankius ir perduoda papildomas u\u017eduotis skirtingiems agentams. \u201eOctoTools\u201c gali naudoti bet kok\u012f bendrosios paskirties LLM kaip pagrind\u0105.<\/p>\n
Kitas b\u016bdas yra parengti specializuot\u0105 orkestro model\u012f, galint\u012f paskirstyti darb\u0105 tarp skirting\u0173 AI sistemos komponent\u0173. Vienas i\u0161 toki\u0173 pavyzd\u017ei\u0173 yra \u201eNvidia Orchestrator\u201c \u2013 8 milijard\u0173 parametr\u0173 modelis, koordinuojantis \u012fvairius \u012frankius ir LLM sud\u0117tingoms problemoms spr\u0119sti. Orkestras buvo apmokytas naudojant speciali\u0105 sustiprinimo mokymosi technik\u0105, skirt\u0105 modeli\u0173 orkestravimui. Jis gali pasakyti, kada naudoti \u012frankius, kada deleguoti u\u017eduotis ma\u017eiems specializuotiems modeliams ir kada panaudoti dideli\u0173 bendr\u0173j\u0173 modeli\u0173 samprotavimo galimybes ir \u017einias.<\/p>\n
Viena i\u0161 \u0161i\u0173 ir kit\u0173 pana\u0161i\u0173 sistem\u0173 ypatybi\u0173 yra ta, kad jos gali gauti naudos i\u0161 pagrindini\u0173 modeli\u0173 pa\u017eangos. Taigi, kai ir toliau matome pa\u017eang\u0105 pasienio modeliuose, galime tik\u0117tis, kad orkestravimo sistemos vystysis ir pad\u0117s \u012fmon\u0117ms kurti patikimas ir efektyviai i\u0161teklius naudojan\u010dias agentines programas.<\/p>\n
<\/span>Patikslinimas<\/span><\/h2>\nTobulinimo metodai \u201evien\u0105 atsakym\u0105\u201c paver\u010dia kontroliuojamu procesu: si\u016blykite, kritikuokite, per\u017ei\u016br\u0117kite ir patikrinkite. Darbo eiga apibr\u0117\u017eiama taip, kaip naudojant t\u0105 pat\u012f model\u012f, kad b\u016bt\u0173 generuojamas pradinis rezultatas, pateikiamas atsiliepimas apie j\u012f ir nuolat tobulinamas be papildomo mokymo. <\/p>\n
Nors savaiminio tobulinimo metodai buvo naudojami jau kelet\u0105 met\u0173, galime pasteb\u0117ti, kad jie i\u0161 esm\u0117s kei\u010dia agent\u0173 programas. Tai buvo visapusi\u0161kai parodyta ARC prizo, kuris 2025-ieji buvo pavadinti \u201ePatobulinimo ciklo metais\u201c, rezultatuose ir para\u0161\u0117: \u201e\u017dvelgiant i\u0161 informacijos teorijos perspektyvos, tobulinimas yra intelektas\u201c. <\/p>\n
ARC i\u0161bando sud\u0117ting\u0173 abstrak\u010di\u0173 samprotavimo galvos\u016bki\u0173 modelius. Pa\u010dios ARC analiz\u0117 prane\u0161a, kad geriausiai patikrintas tobulinimo sprendimas, sukurtas pagal pa\u017eang\u0173 model\u012f ir sukurtas Poetiq, pasiek\u0117 54 % ARC-AGI-2, aplenkdamas antr\u0105j\u0105 viet\u0105, Gemini 3 Deep Think (45 %), u\u017e pus\u0119 kainos. <\/p>\n
\u201ePoetiq\u201c sprendimas yra rekursyvi, save tobulinanti sistema, kuri yra LLM agnostin\u0117. Jis sukurtas taip, kad panaudot\u0173 pagrindinio modelio argumentavimo galimybes ir \u017einias, kad atspind\u0117t\u0173 ir patobulint\u0173 savo sprendim\u0105 ir prireikus i\u0161kviest\u0173 \u012frankius, pvz., kodo interpretatorius.<\/p>\n
Modeliams stipr\u0117jant, pridedant savaiminio tobulinimo sluoksnius bus galima i\u0161gauti daugiau i\u0161 j\u0173. \u201ePoetiq\u201c jau dirba su partneriais, siekdamas pritaikyti savo metasistem\u0105 \u201esud\u0117tingoms realaus pasaulio problemoms, kurias ribiniai modeliai stengiasi i\u0161spr\u0119sti\u201c.<\/p>\n