В индустрии искусственного интеллекта назревает тихая революция: модели учатся взаимодействовать, минуя традиционный языковой барьер. Речь идет не о телепатии, а о математически выверенном обмене внутренними состояниями, который может кардинально изменить экономику вычислений в ИИ-системах.
Коллектив исследовательской платформы Mostik разработал подход, позволяющий нейросетям передавать друг другу не текст, а скрытые векторные представления. В классической связке нескольких LLM промежуточным звеном всегда выступает сгенерированный ответ — это медленно и ресурсозатратно. Новая архитектура использует специальный адаптивный модуль («мост»), который транслирует внутреннее «мышление» одной модели в формат, понятный другой, при этом параметры самих нейросетей остаются неизменными.
Ключевая идея заключается в том, что при генерации одного токена большая языковая модель формирует свыше сотни скрытых векторов — порядка миллиона числовых значений (примерно 2 МБ данных). В финальный текстовый ответ попадает лишь ничтожная доля этой информации. Новый канал связи нацелен именно на передачу этих богатых промежуточных представлений, что открывает доступ к гораздо более глубокому уровню «понимания» задачи.
Практическая проверка: гигант и карлик
Для демонстрации эффективности метода команда объединила мощную модель GLM-5.2 от Z.ai (753 млрд параметров) с компактной Qwen-3.5 от Alibaba (4 млрд параметров). В эксперименте гигантская сеть лишь анализировала запрос, не генерируя ответ, а затем через «мост» передавала свое состояние малой модели, которая и формировала итоговый текст.
Результаты впечатляют: такая связка сократила разрыв в качестве ответов между малой и большой моделями примерно наполовину. При этом по сравнению с традиционной текстовой передачей новый метод показал преимущество до 10 процентных пунктов при идентичных вычислительных затратах. Более того, гибридная система, сопоставимая по результатам с моделью среднего размера, потребовала в 2,5 раза меньше вычислений — критически важный показатель для масштабирования.
В поисках общего математического языка
Главный научный сотрудник Mostik Станислав Смирнов подчеркивает фундаментальную сложность: внутренние репрезентации разных нейросетей несопоставимы напрямую, даже при решении идентичных задач они кодируют информацию по-разному. Он отмечает, что подходящего математического языка для такого перевода пока не существует, но именно его поиск может пролить свет на то, как различные ИИ-системы воспринимают и обрабатывают данные.
Практическая ценность разработки очевидна для индустрии. Бывший исследователь Google DeepMind Карл Туйлс видит потенциал в асимметричном использовании ресурсов: дорогую большую модель можно задействовать лишь для анализа запроса, а генерацию ответа делегировать значительно более легкой сети. Другой сценарий — гибридизация универсальных и узкоспециализированных моделей, например, объединение общих рассуждений с экспертизой в биологии или физике без необходимости обучать одну монолитную сеть на всех данных сразу.
Эксперимент в ARC-AGI-3 и перспективы
Свой подход Mostik применила и в бенчмарке ARC-AGI-3, где ИИ должен адаптироваться к новым правилам в реальном времени. По заявлению разработчиков, система с «мостом» показывает один из лучших результатов в текущем рейтинге, однако детали не раскрываются до завершения соревнования. Важно отметить, что эти данные имеют статус «превью» и не являются финальными, а остальные показатели эффективности основаны на внутренних экспериментах команды.
Тем не менее, сама концепция перекликается с недавними находками OpenAI о скрытых каналах связи между ИИ-агентами, что подтверждает: прямое взаимодействие на уровне внутренних состояний — это не фантастика, а реальное и быстроразвивающееся направление.
Мой анализ: Этот подход может стать катализатором для перехода от гигантских универсальных моделей к модульным системам. Если технология подтвердится независимыми тестами, мы увидим сдвиг парадигмы: вместо гонки за параметрами — умная компоновка специализированных «мозгов», что значительно снизит порог входа для разработки сложных ИИ-решений.