6 октября 2026 года исследователи опубликовали статью о SHIFT — системе, которая автоматически подбирает подходящее сочетание ИИ-агентов для каждого вопроса. Вместо того чтобы перебирать множество вариантов во время выполнения, SHIFT обучает небольшую языковую модель предсказывать наиболее эффективную конфигурацию, а затем собирает агентов с помощью метода поиска по дереву Монте-Карло. Подход проверили на 9 193 заданиях из шести бенчмарков: от математических задач до работы с документами и задач универсального ассистента.
Как показал себя SHIFT?
При использовании Gemini 3.5 Flash в качестве исполняющей модели SHIFT достиг средней точности около 80%, обойдя 17 конкурирующих методов — от обычных промптов и способов их оптимизации до других методов поиска рабочих процессов. Результат сильнейшего конкурента оказался ниже на 7,2 процентного пункта. Более экономичный вариант SHIFT тоже превзошёл все базовые методы, расходуя на 32% меньше токенов, а значит, требуя меньше вычислительных ресурсов.
Почему важно проектировать систему целиком
Авторы показали, что совместный подбор структуры взаимодействия, инструкций и инструментов даёт лучшие результаты, чем выбор любого из этих компонентов по отдельности. Совместный подбор повысил результат до 9,1 пункта по сравнению с использованием только инструкций или только инструментов. Обученная функция оценки также помогла выбирать из набора кандидатов более точные и экономичные конфигурации агентной системы.
Почему это важно
Для разработчиков ИИ-ассистентов SHIFT обещает более высокую эффективность без необходимости вручную настраивать команды агентов под каждый новый запрос. Метод также снижает вычислительные затраты, что может уменьшить расходы на облачные сервисы и сделать более сложные системы из нескольких агентов доступнее для пользователей.
