Trenowanie agenta w jego własnej uprzęży i granice tanich modeli
Piąty wątek zbiera dwa fakty o tym, jak dziś obniża się koszt i podnosi skuteczność pracy agentowej. Pierwszy dotyczy frameworku Agent Lightning w wersji 1.0, który udostępniło Microsoft Research Asia, a który branżowy AlphaSignal omówił 7 października. Jego istota polega na tym, że pozwala douczać model metodą uczenia ze wzmocnieniem bez przepisywania agenta, którego używa się w produkcji: framework wstawia między „uprząż" agenta a model proxy zgodne z interfejsem OpenAI, dzięki czemu rejestruje interakcje, nie zmieniając logiki narzędzi i kontekstu. Referencyjny pipeline Microsoftu podniósł wynik modelu Qwen3.5-9B z czterdziestu jeden i ośmiu dziesiątych do pięćdziesięciu sześciu i czterech dziesiątych procent na benchmarku SWE-bench Verified, czyli o czternaście i sześć dziesiątych punktu, przy zaledwie około sześciu tysiącach próbek treningowych. Do tego dochodzi rozwiązanie zwane Collocated Async RL, które współdzieli jedną pulę kart między wnioskowanie i trening, dając około dwukrotnego przyspieszenia wobec treningu synchronicznego oraz możliwość uruchamiania zadań na własnym Kubernetesie zamiast płatnych piaskownic. Zastrzeżenie jest tu istotne: to wyniki jednego, referencyjnego zestawu, a nie dowód, że mechanizm podniesie każdy model i każde zadanie.
Źródło: alphasignal
Druga warstwa jest ostrzeżeniem płynącym z niezależnych testów modelu Claude Haiku 5.5, które opublikowało Vals AI. Tani model wypadł bardzo dobrze na kodowaniu, osiągając dziewięćdziesiąt i czterdzieści cztery setne procent na benchmarku Vibe Code Bench i trzecie miejsce wśród stu dziesięciu modeli, czyli skok o osiemdziesiąt dziewięć pozycji wobec poprzednika. Ale Vals zwraca uwagę, że zysk pochodzi z bardzo długich ścieżek rozumowania: na zadaniach badawczych z prawa model wykonał średnio pięćdziesiąt dziewięć kroków wobec siedemnastu u poprzedniej wersji i wygenerował około piętnastokrotnie więcej tekstu, z czego około osiemdziesięciu procent stanowiło rozumowanie, rozliczane jak tokeny wyjściowe. Ponieważ powyżej stu tysięcy tokenów kontekstu stawka rośnie pięciokrotnie, realny koszt zadania przestaje być tak niski, jak sugeruje cena bazowa. To ważne uzupełnienie obrazu podłogi cenowej z porannego wydania: tania warstwa jest tania w klasyfikacji i routingu, ale w długiej pracy agentowej oszczędność zjada samo rozumowanie. Osobno warto odnotować, że efektywność przenosi się poza modele językowe — IBM wypuścił TSPulse R1, model szeregów czasowych o zaledwie jednym milionie osiemdziesięciu tysiącach parametrów, na licencji Apache 2.0 i działający na procesorze, który według producenta bije modele dziesięć do stu razy większe w wykrywaniu anomalii i uzupełnianiu brakujących danych, a jego praca została przyjęta na konferencję ICLR 2026.
Źródło: vals-ai