# PORA учит ИИ-агентов выбирать, сколько рассуждать

> Новый метод помогает языковым моделям выбирать короткую или длинную цепочку рассуждений с учётом бюджета и ожидаемой пользы, сокращая вычислительные затраты до 50%.

Oossa · 2026-10-21 · https://oossa.com/ru/pora-lets-llm-agents-decide-when-to-think-longer

Исследователи под руководством Ци Чжана представили PORA — метод для ИИ-агентов на базе больших языковых моделей, который учится определять, когда более долгие рассуждения улучшают результат. Во время обучения система дважды выполняет один и тот же шаг: сначала с коротким, затем с более длинным лимитом на рассуждения — и сравнивает итог. При работе агента управляющий модуль использует полученную оценку и учитывает оставшийся вычислительный бюджет, чтобы выбрать менее затратный вариант, не запуская оба. В тестах на заданиях, связанных с памятью, программированием, розничной торговлей и математикой, результат на одном из тестов памяти улучшился на 32,9%, а на математических заданиях число вызовов модели сократилось на 31%.

## Факты

- Статья опубликована на arXiv 2026-10-21
- В тесте BFCL на заданиях с памятью PORA превосходит предыдущий лучший результат на 17,4–32,9 процентного пункта

## Почему это важно

Метод позволяет разработчикам создавать более эффективных ИИ-агентов, которые сохраняют качество работы и тратят меньше облачных вычислительных ресурсов. Это снижает расходы на сервисы, использующие многоэтапные рассуждения.

## Источники и ссылки

1. [PORA: Learning When More Reasoning Pays Off for LLM Agents](https://arxiv.org/abs/2610.27119) – arXiv, 2026-10-21

Обновлено: 2026-10-21