В индустрии искусственного интеллекта назревает тихая революция: мы привыкли, что коммуникация между моделями всегда опосредована текстом. Однако команда разработчиков под брендом Mostik предлагает радикально иной подход — прямую передачу «мыслей» нейросети, минуя стадию вербализации. Вместо генерации промежуточного текста используется специальный адаптивный модуль, который я называю «мостом». Он конвертирует внутренние векторные представления одной модели в формат, понятный другой, при этом параметры самих систем остаются нетронутыми.
Это принципиальный сдвиг. При генерации даже одного токена большая языковая модель производит более сотни скрытых векторов — около миллиона числовых значений, что эквивалентно примерно 2 МБ данных. В текстовый ответ попадает лишь ничтожная доля этой информации. Новый канал нацелен на передачу именно этих богатых промежуточных состояний.
Эксперимент: гигант мыслит, карлик говорит
Для проверки гипотезы исследователи собрали связку из GLM-5.2 от Z.ai (753 млрд параметров) и Qwen-3.5 от Alibaba (4 млрда параметров). Ключевой момент: большая модель обрабатывала запрос, но не генерировала ответ. Её внутреннее состояние через «мост» передавалось малой модели, которая и формировала итоговый текст.
Результаты впечатляют. Такая связка закрыла около половины разрыва в качестве между малой и гигантской моделями. При сравнении с классической текстовой передачей новый метод показал преимущество до 10 процентных пунктов при идентичных вычислительных затратах. Более того, гибридная система, сопоставимая по качеству со средней моделью, потребовала примерно в 2,5 раза меньше вычислений.
Поиски общего математического языка
Главный научный сотрудник Mostik Станислав Смирнов справедливо отмечает фундаментальную проблему: внутренние представления разных нейросетей несопоставимы напрямую. Даже решая одну задачу, модели кодируют информацию в своих скрытых состояниях по-разному. «Похоже, подходящего математического языка пока не существует», — констатирует он. Это открывает новую область исследований: изучение соответствий между латентными пространствами может пролить свет на то, как ИИ представляет знания и принимает решения.
Практическая ценность подхода очевидна. Бывший исследователь Google DeepMind Карл Туйлс видит сценарий, где ресурсоемкая модель используется только для «размышлений», а генерация текста делегируется компактной системе. Другой путь — симбиоз универсальной модели со специализированными (биология, физика), что избавляет от необходимости обучать монолитные системы на всех данных сразу.
Заявка на лидерство в ARC-AGI-3
Разработчики применили метод в сложнейшем бенчмарке ARC-AGI-3, 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 — соревнование продолжается. Впрочем, к этим данным стоит относиться с осторожностью: статус «превью» означает неполный набор тестов, а остальные показатели основаны на внутренних экспериментах команды.
Мой анализ: Это элегантное решение давно назревшей проблемы. Экономика ИИ упирается в стоимость инференса, и возможность «разделять труд» между моделями — не просто оптимизация, а шаг к модульной архитектуре интеллекта. Однако путь от демонстрации до промышленного внедрения долог: нам ещё предстоит научиться строить универсальные «мосты» между любыми архитектурами, а не только между конкретными парами.