Dream-RSI сокращает число вызовов агента поиска, повторно используя прошлые попытки
В одном тесте система требовала до 162 раз меньше вызовов discovery-агента. На GPU-задачах VGG16 и LayerNorm она достигла сопоставимого результата с 2,43 и 1,79 раза меньшим числом генераций, а на ConvDiv и ConvMax получила более высокую производительность при схожем бюджете.
Исследовательские агенты учатся на своих прошлых ветвях
Dream-RSI — система оркестрации циклов поиска и самопроверки, разработанная исследователями Google, Google DeepMind и университетов Мэриленда и Вирджинии. Она управляет ветвлением, параллельным исследованием и остановкой, не меняя базового агента. Вместо повторных дорогостоящих запусков система сохраняет решения и результаты в «дереве истории поиска», чтобы проверять новые стратегии на уже собранных данных.
В тестах, описанных VentureBeat и исследователями, Dream-RSI потребовала до 162 раз меньше вызовов агента, чем SimpleTES. Это верхнее сравнение использовало другой базовый модельный стек — gpt-oss-120b с 51 200 генерациями — и не следует трактовать как универсальное ускорение для всех агентов.
Экономия на GPU-бенчмарках оказалась умереннее
В тестах с Gemini 3.1 Pro среднее время выполнения снизилось с 3 587,1 до 2 931,0 миллисекунд, а число вызовов — с 550 до 317. С Gemini 3.7 Flash время изменилось с 2 516,7 до 2 350,6 миллисекунд, вызовы — с 3 200 до 1 879. На задачах GPU-программирования VGG16 и LayerNorm система достигла сопоставимых результатов с в 2,43 и 1,79 раза меньшим числом генераций.
На задачах ConvDiv и ConvMax производительность была в 2,09 и 1,44 раза выше при сопоставимом бюджете. Эти результаты получены в инженерных бенчмарках, где нужно оптимизировать GPU-ядра без потери численной корректности. Исследование показывает пользу повторного использования неудачных ветвей в заданной среде; оно не доказывает ускорение общего процесса самоулучшения ИИ в реальном мире.
Исследователи опубликовали