Прорыв в ИИ-оркестрации: децентрализованная система DeLM от Стенфорда сокращает расходы вдвое

Современные ИИ-платформы строятся на убеждении, что мультиагентным системам необходим центральный «руководитель» — оркестратор. Он распределяет запросы и контролирует процесс, чтобы избежать хаоса. Однако исследователи из Стенфордского университета представила новый фреймворк под названием DeLM (Decentralized Language Model — децентрализованная языковая модель), который доказывает, что централизация может быть избыточной и дорогостоящей.

В основе DeLM лежит идея о том, что ИИ-агенты способны координировать свои действия напрямую. Вместо того чтобы передавать каждое обновление через контроллер для фильтрации и пересылки, агенты используют общую базу знаний. Это позволяет им опираться на достижения друг друга в режиме реального времени, экономя вычислительные ресурсы и снижая задержки.

Проблемы традиционной централизации

В классических системах главный агент разбивает задачу на подзадачи, распределяет их, ждет ответов, объединяет промежуточные результаты и только после этого выдает новые распоряжения. Эксперты Стенфорда отмечают, что такая схема плохо масштабируется. По мере роста количества задач оркестратор становится «узким местом» (bottleneck) коммуникации.

В обзоре подчеркиваются следующие недостатки централизованного подхода:

• Потеря данных: главный контроллер может непреднамеренно упрощать, пропускать или искажать важную информацию от подчиненных агентов.
• Избыточные итерации: если агент получает недостаточный контекст от «начальника», он возвращается с уточнениями, что запускает бесконечный цикл проверок и замедляет работу.
• Высокая стоимость: каждая пересылка данных через центральный узел увеличивает затраты на инференс (процесс работы нейросети).

Как работает архитектура DeLM

Система DeLM строится на трех компонентах: параллельных агентах, общем контексте и очереди задач. Вместо громоздких отчетов агенты записывают в общую память «сжатые выжимки» (gists) — краткие проверенные сводки данных. Эти сводки включают как подтвержденные факты, так и информацию о неудачных попытках, чтобы другие участники системы не повторяли чужих ошибок.

Процесс работы организован следующим образом:

• Инициализация: входящая задача разбивается на блоки и помещается в очередь.
• Параллельное выполнение: агенты самостоятельно забирают задачи из очереди, ориентируясь на общий контекст.
• Сжатие и верификация: результаты упаковываются в компактные сводки и проверяются на достоверность. Только подтвержденные данные становятся доступны всей группе.
• Завершение: последний освободившийся агент проверяет общий контекст и решает, нужны ли дополнительные действия или ответ готов.

Результаты тестирования и эффективность

Децентрализованный подход продемонстрировал превосходство над традиционными моделями в реальных сценариях. В тесте SWE-bench Verified, который оценивает способность ИИ решать задачи по разработке программного обеспечения, DeLM показал результат на 10,5% лучше, чем самые сильные базовые модели. При этом стоимость выполнения задач снизилась примерно на 50%.

По словам разработчиков Ючжэнь Мао и Азалии Мирхосейни, система также показала лучшие результаты в тесте LongBench-v2 (ответы на вопросы по множеству документов), опередив такие модели, как GPT-4, Claude Sonnet и Gemini Flash. Высокая точность достигается за счет того, что агенты делятся своими неудачами. Если один путь оказался тупиковым, информация об этом сразу попадает в общую базу, и другие агенты мгновенно корректируют свои стратегии поиска.

Важной особенностью DeLM является механизм «раскрытия» информации. По умолчанию агенты видят только краткие сводки, что не перегружает их контекстное окно и экономит токены. Однако при необходимости агент может «развернуть» сводку, получив доступ к полным исходным данным и истории рассуждений. Такой подход позволяет соблюдать баланс между экономией ресурсов и глубиной анализа.

Для разработчиков корпоративных решений DeLM ставит под сомнение необходимость сложной иерархии в ИИ-системах. Практика показывает, что децентрализованная модель не просто изящнее теоретически — она быстрее, точнее и в два раза дешевле в эксплуатации.

Твитнуть