Недавний эксперимент, проведенный пользователем социальной сети X Ронаком Малде, показал эффективность объединения различных типов ИИ-моделей для решения игровых задач. Нейросетевая связка из моделей Astra и Jev смогла победить финального босса в Minecraft — Эндер-дракона — всего за 8 минут и 43 секунды. Примечательно, что общие затраты на токены в процессе прохождения составили менее одного доллара.
Разделение ролей между моделями Astra и Jev
Успех стал возможен благодаря четкому распределению функциональных обязанностей между агентами. Astra выступала в роли «мозгового центра», отвечающего за планирование: модель определяла основные цели, необходимые игровые предметы и навигационные точки. В свою очередь, Jev выполняла роль исполнителя, обеспечивая управление персонажем через ввод данных с клавиатуры (WASD, пробел) и манипуляции с мышью.
Ранее другая попытка прохождения Minecraft с помощью только модели Astra растянулась на 141 час. В том эксперименте агент после неудачного игрового события перестал прогрессировать и сосредоточился на второстепенных задачах, таких как выращивание картофеля. Этот пример продемонстрировал проблему «бесцельных циклов» у крупных языковых моделей (LLM), которые при отсутствии контроля могут потреблять вычислительные ресурсы без достижения значимого результата.
Технологические особенности модели Jev
Модель Jev была разработана компанией TypeSafe AI, основанной бывшим исследователем OpenAI Диого Алмейдой. Ее архитектура существенно отличается от привычных LLM. В основе лежит концепция «Системы 1» из психологии Даниэля Канемана, описывающая быстрое и автоматическое принятие решений. В отличие от генеративных моделей, Jev не создает текстовый контент, а выбирает из набора заранее определенных вариантов, присваивает баллы или оценивает вероятности исходов.
В данной классификации Astra относится к категории «Системы 2», которая ориентирована на медленное и глубокое логическое рассуждение для решения сложных задач. Использование такой модели для всех игровых действий требует значительных вычислительных мощностей и времени. Однако передача оперативных, жестко ограниченных решений специализированной модели Jev позволила добиться высокой эффективности и скорости.
Код, обеспечивающий взаимодействие двух ИИ-агентов, был опубликован Ронаком Малде на платформе GitHub. Итоги эксперимента наглядно демонстрируют потенциальный вектор развития автономных агентов: вместо создания единой универсальной модели, способной справляться с любыми задачами, эффективнее объединять системы, каждая из которых оптимизирована под конкретный тип работы.
Уроки провала: почему Astra застряла на 141 час
Предыдущий эксперимент с использованием GPT Astra стал вирусным в соцсети X из-за своей неожиданной драматичности. Когда в игровом мире крипер подорвал сундук и кровать агента, модель продемонстрировала поведение, которое сторонние наблюдатели окрестили «демотивированным». ИИ перестал предпринимать попытки продвинуться к цели, как будто «размышляя» над потерей в дождливую погоду, и практически полностью переключился на выращивание картофеля. Хотя пользователи сети восприняли это как забавный антропоморфный нарратив, эксперты извлекли из инцидента серьезные выводы об автономных агентах.
Ситуация подчеркнула критическую необходимость в контролируемых средах и четких планах восстановления для автономных систем. Риски заключаются не только в ошибках LLM, но и в том, что агент может попасть в непродуктивный цикл, продолжая поглощать токены без какого-либо прогресса. Именно эту проблему удалось решить благодаря внедрению Jev.
В чем принципиальное отличие Jev от других ИИ
Современные большие языковые модели, такие как Astra, проектируются для понимания инструкций и генерации естественного, связного текста. Популярные сейчас кодинг-агенты, например Claude Code или Codex, используют генеративные модели для задач разработки ПО. Однако, несмотря на впечатляющие возможности, они не предназначены для выполнения огромного количества быстрых и жестко ограниченных решений, которые требуются для управления программным обеспечением в реальном времени. Именно эту узкоспециализированную нишу заняла модель Jev.
Вместо генерации текста или кода, Jev работает с неструктурированной информацией о текущем состоянии программы, получая её вместе с набором предопределенных вопросов. В процессе работы модель:
- выбирает один вариант ответа из предложенного списка;
- назначает баллы (score) для различных путей развития событий;
- оценивает вероятность успеха (да/нет) для конкретного действия.
Такой механизм делает её незаменимой для повторяющихся, быстрых операций, таких как выбор следующего шага в игровой логике. Разделение обязанностей на «планировщика» (Astra) и «исполнителя» (Jev) позволяет избежать перегрузки вычислительных мощностей, так как генеративная модель не тратит время на обработку каждой мелкой манипуляции с клавишами.
Будущее автономных систем
Эксперимент Ронака Малде наглядно доказывает концептуальную разницу между двумя типами мышления, описанными Дэниелом Канеманом. Если модель Astra, подобно «Системе 2», выполняет глубокую и абстрактную работу, требующую больших затрат ресурсов, то Jev — это «Система 1», обеспечивающая молниеносную автоматическую реакцию. Данный подход подтверждает теорию о том, что архитектура будущих эффективных агентов будет строиться не вокруг одной универсальной модели-тяжеловеса, а вокруг оркестрации специализированных инструментов, где каждый из них выполняет ту задачу, в которой он наиболее эффективен.
