Новое исследование утверждает, что для создания продвинутых автономных ИИ-агентов достаточно всего 78 тщательно выбранных обучающих примеров, а не огромных датасетов.
Специалисты из ряда китайских институтов представили работу LIMI (“Less Is More for Intelligent Agency”). В ней “агентность” ИИ определяется как самостоятельная работа — выявление проблем, формирование гипотез и решение задач через взаимодействие со средой и инструментами.
LIMI меняет стандартный подход к обучению моделей: берется 78 специально отобранных примеров из реальных задач в программировании и исследованиях. Каждый пример показывает весь процесс совместной работы человека и ИИ — от запроса до решения задачи. Цель — научить ИИ действовать автономно.
На AgencyBench LIMI получил 73,5% всего на 78 обучающих примерах. AgencyBench моделирует реальные задачи: создание чат-приложений на C++, списков задач на Java, игр на ИИ, пайплайнов микросервисов и проекты вроде сравнения языковых моделей, анализа данных и бизнес-аналитики.
Сравнение с другими крупными моделями впечатляет: Deepseek-V3.1 — 11,9%, Kimi-K2-Instruct — 24,1%, Qwen3-235B-A22B-Instruct — 27,5%, а GLM-4.5 — 45,1%. LIMI сразу на первой попытке справился с 71,7% требований — почти вдвое выше ближайшего аналога. Общий успех — 74,6%, намного выше 47,4% у GLM-4.5. На бенчмарках программирования и вычислений LIMI показал в среднем 57,2% — снова лучше всех аналогов. Для сравнения: GLM-4.5, обучавшийся на 10 000 примерах, достиг только 47,8%.
Некоторые обучающие примеры LIMI достигали 152 000 токенов, что показывает высокую сложность изученных ИИ-агентом моделей поведения.
Метод работает на моделях разного размера. LIMI-Air с 106 млрд параметров вырос с 17,0% до 34,3%; более крупная версия на 355 млрд параметров повысилась с 45,1% до 73,5%.
Этот подход способен поменять то, как разрабатываются автономные ИИ. Теперь вместо постоянного увеличения наборов данных появляется альтернатива — максимально качественный отбор обучающих примеров. Авторы отмечают, что “подход выглядит перспективно, но требует дальнейших исследований и практических тестов”. Код, модели и датасеты LIMI доступны для всех.
Ранее специалисты Nvidia указывали, что для задач автономных агентов не нужны крупные языковые модели — достаточно моделей до 10 млрд параметров. LIMI подтверждает эту мысль: качественное обучение оказывается важнее количества.
