Способности · Понятие
Моделирование вознаграждения оркестровки для многоагентных систем
Orchestra-o1 вводит оркестровку омнимодальных агентов с декомпозицией задач с учётом модальности и параллельным выполнением подзадач, превосходя предыдущие подходы на 10,3% точности.
Горизонт прогноза
Orchestration-level reward modeling may become the dominant paradigm for scaling multi-agent system performance.
Связи
Связи · 3
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
входит · двигает 4/10
Риски массовых взаимодействий ИИ-агентов Риски массового взаимодействия агентов стимулируют разработку моделирования вознаграждения оркестрации.
+4 прирост ведёт к · применяется к 3/10
Риски массовых взаимодействий ИИ-агентов OrchRM решает проблему обучения оркестраторов для многоагентных систем без дорогостоящего надзора, что актуально для управления массовыми взаимодействиями агентов.
+3 прирост входит · двигает 3/10
Производительность агентов LLM в динамических средах Низкая производительность агентов в динамических средах стимулирует разработку лучших подходов к оркестрации и моделированию вознаграждения.
+3 приростИсточники сигнала
Источники сигнала
Датированные факты из первоисточников по этому направлению.
Горизонт задач удваивается Mar 2025
Длина программных задач, которые ИИ-агенты выполняют автономно с надёжностью 50%, удваивается примерно каждые 7 месяцев, а с 2024 года — ближе к ~3 месяцам.
METR → Бенчмарки насыщаются Apr 2025
За год баллы выросли на 18.8, 48.9 и 67.3 пункта на MMMU, GPQA и SWE-bench; решаемость реальных программных задач подскочила с 4.4% до 71.7%.
Stanford HAI — AI Index 2025 → Автономное программирование 2025–2026
На SWE-bench Verified (500 реальных issue с GitHub) автономные кодовые агенты достигли ~80–86% к концу 2025 года против менее 50% в начале 2025.
Epoch AI →