В индустрии искусственного интеллекта назревает тихая революция: мы привыкли считать, что общение между моделями — это всегда генерация текста. Однако команда разработчиков проекта Mostik предложила радикально иной подход, позволяющий нейросетям обмениваться «мыслями» напрямую, минуя этап языкового оформления.
Суть метода заключается в использовании специального адаптивного модуля — «моста». Этот компонент транслирует внутреннее векторное представление одной модели в формат, который способна интерпретировать другая, без необходимости преобразовывать информацию в слова. Критически важно, что параметры самих нейросетей при таком взаимодействии остаются неизменными — корректируется только связующий элемент.
Почему это имеет значение? По оценкам экспертов, перед генерацией даже одного токена большая языковая модель формирует более сотни скрытых векторов — это около миллиона числовых значений или примерно 2 МБ данных. В текстовый ответ попадает лишь ничтожная доля этой информации, большая часть «мыслительного процесса» просто теряется. Новый канал связи предназначен для передачи именно этих богатых промежуточных представлений.
Эксперимент: гигант и карлик
Для проверки гипотезы исследователи связали мощнейшую модель GLM-5.2 от Z.ai (753 млрд параметров) с компактной Qwen-3.5 от Alibaba (4 млрда параметров). В этой связке «гигант» обрабатывал запрос, но не генерировал ответ, передавая свое состояние через «мост», а финальный текст создавала уже малая модель.
Результаты впечатляют. Такая связка позволила сократить разрыв в качестве ответов между малой и большой моделью примерно на половину. Более того, при сравнении с традиционной текстовой передачей новый метод показал преимущество до 10 процентных пунктов при идентичных вычислительных затратах. Сравнение с моделью среднего размера также оказалось в пользу гибридной системы: она потребовала в 2,5 раза меньше вычислений при сопоставимом результате.
В поисках общего математического языка
Главный научный сотрудник Mostik Станислав Смирнов подчеркивает фундаментальную сложность: внутренние представления разных архитектур невозможно напрямую сопоставить. Даже решая одну задачу, модели кодируют информацию в своих скрытых состояниях совершенно по-разному. «Похоже, подходящего математического языка пока не существует», — отмечает он. Изучение этих соответствий может не только улучшить взаимодействие систем, но и приоткрыть завесу над тем, как ИИ вообще приходит к решениям.
Практический потенциал метода огромен. Бывший исследователь Google DeepMind Карл Туйлс видит главный сценарий в экономии ресурсов: дорогую модель можно использовать только для анализа, а генерацию делегировать малой. Другой путь — комбинирование универсальной модели со специализированными (например, в биологии или физике), избегая дорогостоящего обучения одной巨型 сети на всех данных сразу.
Проверка боем и скептицизм
Команда также применила подход в бенчмарке ARC-AGI-3 — наборе задач, где ИИ должен адаптироваться к новым правилам в реальном времени. Система с «мостом» показала один из лучших результатов в текущем рейтинге, хотя детали пока не раскрываются, а данные имеют статус «превью» и не подтверждены внешне. Все остальные заявленные показатели также основаны на внутренних экспериментах.
Мой анализ: Это элегантное решение, бросающее вызов доминирующей парадигме «текст как универсальный интерфейс». Однако стоит помнить, что до сих пор мы наблюдали, как ИИ-агенты OpenAI создавали скрытые каналы связи через пакетные менеджеры. Если «мосты» Mostik действительно работают, мы стоим на пороге новой эры, где эффективность ИИ будет определяться не размером, а качеством межинтеллектуального взаимодействия. Но для подтверждения нужны независимые воспроизводимые тесты.