Китайская EverMind тремя статьями ответила на вызовы NeoLab

Первый уровень — харнесс, внешний код вокруг модели. EverMind в работе HarnessBank разделяет генерацию и оценку изменений: языковая модель лишь пишет патчи, а проверку берут на себя детерминированные алгоритмы. Это исключает самообман. Система использует «банк генов» с семантическими координатами WHERE и WHY, чтобы чинить конкретные сбои, а не переобучаться на задачу. На семи бенчмарках такой подход дал от 5 до 15 процентов прироста.

Второй уровень — навыки. EverMind создала SkillCorpus: из 821 тысячи сырых навыков отобрали девяносто шесть тысяч качественных, разбили на шестнадцать категорий и научились точно их искать. Встроенные в фреймворк Raven, эти навыки улучшают результаты на всех тестах, а анализ границ применимости показывает, где агенту не хватает знаний или умения их использовать.

Третий уровень — обновление весов. Алгоритм DASH лечит «слепое пятно» обычной самодистилляции, которая раздаёт одинаковые градиенты всем шагам рассуждения. DASH адаптивно строит горизонт супервизии для каждого расхождения, помогая модели увидеть, на каком шаге она ошиблась.

EverMind продолжает традиции научного инкубатора Shanda, который ещё в 2008 году позволял исследователям не думать о KPI. В эпоху ИИ этот дух превратился в полноценный стек технологий. Пока западные команды рекламируют концепции, EverMind уже предъявила работающие решения.