Агент улучшил себя без единого шага градиента: разбор The Trinity

26 октября на arXiv появилась работа The Trinity, подготовленная 21 исследователем из Национального университета Сингапура. Они создали мультимодального агента (автономную программу, работающую с разными типами данных) на основе замороженной модели Claude Opus 5 от Anthropic. Главная особенность: агент улучшает сам себя, не изменяя ни одного веса (параметров нейросети) — ни одного шага градиента (обучающего шага) за всю работу.

Вместо дообучения агент модифицирует собственную обвязку (harness) — код, который решает, какие данные показывать модели и как обрабатывать её ответы. Это первый задокументированный случай рекурсивного самоулучшения агента без изменения модели. Авторы назвали подход Capability-Driven Recursive Self-Improvement: способности агента растут за счёт переписывания окружающей его логики, а не самой нейросети.

Обычно повышение качества работы ИИ требует дообучения на новых данных или тонкой настройки весов — дорогого и ресурсоёмкого процесса. The Trinity показывает альтернативу: даже замороженная модель может становиться эффективнее, если агент учится лучше организовывать свой ввод-вывод. Claude Opus 5 остаётся неизменной, но обвязка эволюционирует, что напоминает мета-обучение на уровне кода.

Для разработчиков и бизнеса это означает возможность автономно повышать производительность ИИ-агентов без затрат на GPU-кластеры и новые обучающие датасеты. Вместо переобучения модели можно сосредоточиться на улучшении её окружения — подхода, который масштабируется дешевле. Если метод подтвердится на других архитектурах, он может изменить экономику развёртывания агентов в промышленных сценариях.