Корпорация Nvidia провела показательный эксперимент, который демонстрирует новый уровень автоматизации в машинном обучении. Используя собственного ИИ-агента Codex и инструментарий TAO, инженерам удалось за менее чем 24 часа повысить точность модели Cosmos 3 Nano с 54,41% до впечатляющих 93,35% на специализированном датасете Woven Traffic Safety от Toyota. Это не просто оптимизация — это смена парадигмы в подходе к пост-тренингу моделей.
Как проходил эксперимент
Базовый Cosmos 3 Nano, без какой-либо адаптации, показал результат в 54,41% на тесте с четырьмя вариантами ответа. Разработчики поручили агенту Codex проанализировать модель и провести дообучение методом LoRA (Low-Rank Adaptation). Агент не просто запустил скрипт — он самостоятельно выбрал инструкцию Cosmos-reason, выявил отсутствие параметра частоты кадров в аннотациях датасета, исправил конфигурацию, загрузил веса и запустил обучающий контейнер.
Первый прогон LoRA на восьми ускорителях NVIDIA A100 (80 ГБ) занял всего 30 минут и поднял точность до 87,14%. Это уже впечатляющий скачок, но Nvidia пошла дальше.
Автоматическая оптимизация гиперпараметров
Вторым этапом разработчики активировали TAO AutoML для автоматического подбора гиперпараметров: скорости обучения, размера батча, параметров LoRA и других настроек. Система провела 43 параллельных испытания с байесовской оптимизацией. Лучшая конфигурация дала 93,35% — и это менее чем за 20 часов вычислений на нескольких узлах A100 в Oracle Cloud Infrastructure.
Ключевое преимущество метода — экономия ресурсов. По расчетам Nvidia, LoRA потребовал примерно в семь раз меньше GPU-часов, чем полное дообучение модели. Это критически важно для компаний, которые хотят адаптировать большие модели без аренды целых кластеров.
Что это значит для индустрии
Важно понимать контекст: показатель 93,35% относится исключительно к проверочной части исследовательского датасета Woven Traffic Safety. Это не тест на безопасность автономного вождения и не подтверждение способности модели принимать решения в реальном времени. Однако сам принцип — использование ИИ-агента для автономного дообучения — открывает новые горизонты.
Мой анализ: мы наблюдаем переход от ручного тюнинга моделей к агентно-ориентированным пайплайнам. Codex в этом эксперименте не просто выполнял команды — он анализировал данные, исправлял ошибки в конфигурации и выбирал оптимальные стратегии. Хотя его автономность ограничена заранее подготовленными инструкциями, это первый шаг к полностью автоматизированным циклам ML-разработки. В ближайшие годы такие агенты станут стандартом для пост-тренинга, особенно в нишевых доменах, где требуется быстрая адаптация базовых моделей под специфические датасеты.