DeepSeek Harness і Cordis: як ШІ може вдосконалювати власну інфраструктуру без втрати контролю

DeepSeek Harness (DSH) не доводить, що DeepSeek створила автономну систему рекурсивного самовдосконалення або досягла рівня AGI. Найпереконливіше значення DSH — архітектурне: він створює середовище виконання, у якому інструменти, адаптери моделей, сесійна інфраструктура і навіть сам цикл роботи агента можуть бути змінними компонентами. Це робить повторювані експерименти безпечнішими й практичнішими — саме такої основи потребує обмежене самовдосконалення. 2526

Головна ідея: вдосконалювати не лише модель, а й «каркас» агента

Рекурсивне самовдосконалення (recursive self-improvement, RSI) може означати різні речі. Система здатна покращувати окремий результат — наприклад, алгоритм; допомагати дослідникам створювати сильнішу наступницю-модель; або змінювати багаторазово використовувану інфраструктуру, яка визначає принцип роботи агента. Дослідження RSI відрізняють таке обмежене, зовнішньо оцінюване самовдосконалення від відкритого RSI, за якого система змінює також механізми або критерії власного покращення. 1

DSH найочевидніше працює саме на рівні інфраструктури. Агенту не потрібно переписувати ваги нейронної мережі: архітектура дозволяє експериментувати з компонентами навколо моделі — промптами, інструментами, пам’яттю, політиками, оркестрацією та циклами виконання. Сильніший компонент можна встановити, перевірити й залишити в системі — або видалити, якщо він працює гірше.

Це важливий крок до інженерного підходу до RSI. Але він не означає, що агент самостійно проєктує потужнішого наступника, визначає власні цілі або запускає неконтрольовану «інтелектуальну вибухову хвилю».

Як Cordis робить зміни runtime відновлюваними

DSH побудований на Cordis — середовищі виконання плагінів, яке документація описує як систему «просторово-часової композиційності». Фреймворк розв’язує дві різні проблеми динамічного програмного забезпечення: що відбувається з компонентами з часом, коли їх завантажують або видаляють, і як вони взаємодіють у поточній конфігурації системи. 1718

Часова композиційність: як скасувати керовані зміни

Плагін може змінити спільне середовище виконання: зареєструвати ресурс, слухача подій, сервіс або інший стан. У звичайній плагінній системі видалення часто залежить від вручну написаного коду очищення. Якщо він неповний, у системі залишаються витоки або «примарний» стан.

Cordis натомість пов’язує зміни runtime з оборотними ефектами. Коли компонент видаляють, середовище може виконати відповідні зворотні операції у правильному порядку. Йдеться не про запуск плагіна «у зворотному напрямку» і не про скасування кожної зовнішньої дії агента. Мета — повернути відповідну структуру runtime до коректної попередньої конфігурації. 2024

Це принципове обмеження. Механізм відкату реєстрації плагіна не здатен автоматично скасувати надісланий електронний лист, видалення файлу, навчання моделі на забруднених даних чи незворотну дію у фізичному світі. Отже, оборотність Cordis — це обмежена властивість програмного середовища, а не універсальна гарантія безпеки.

Просторова композиційність: як керувати залежностями

Компоненти також залежать один від одного. Інструменту може бути потрібен реєстр, модулю пам’яті — менеджер сесій, а циклу агента — адаптер моделі та інтерфейс інструментів.

Просторова композиційність дає змогу компонентам оголошувати такі зв’язки. Runtime може координувати активацію, деактивацію, заміну та відновлення, коли постачальник або залежність змінюються. Завдяки цьому модульний агент може перебудовуватися, не перетворюючи всю систему на один крихкий блок. 1820

Разом оборотні ефекти та композиція із урахуванням залежностей підтримують безпечніші випробування, заміну компонентів, відновлення після збоїв і транзакційні оновлення runtime. Для самовдосконалення це важлива передумова: вона зменшує ціну спроби — і відмови від невдалої зміни.

Що DSH може говорити про стратегію DeepSeek у напрямку AGI

Конструкція DSH вказує на системний шлях до дедалі універсальніших агентів: зробити середовище виконання достатньо гнучким, щоб агент міг покращувати механізми, за допомогою яких він виконує завдання.

Такий підхід зміщує увагу з моделі як єдиного джерела прогресу. Навіть незмінна модель може стати практично ефективнішою завдяки кращим інструментам, пам’яті, плануванню, оцінюванню та відновленню. Якщо агент здатен пропонувати зміни до цих механізмів, перевіряти їх за зовнішніми критеріями й залишати лише успішні версії, покращення можна організувати як контрольований цикл.

Однак сама архітектура не доводить, що DSH автономно виконує рекурсивне самовдосконалення. Доступні матеріали описують runtime і відкритий harness, але не демонструють наскрізний цикл, у якому DSH самостійно генерує, оцінює, відбирає та розгортає дедалі потужніші версії самого себе. 2526

Порівняння з іншими підходами до RSI

Системи, які згадують у ширшій дискусії про RSI, працюють на різних рівнях процесу покращення. Якщо вважати їх прямими конкурентами, легко втратити ключові технічні відмінності.

AlphaEvolve від Google DeepMind: еволюція алгоритмів через оцінювання

AlphaEvolve — більш безпосередній цикл оптимізації. Агенти на базі Gemini пропонують зміни до коду, автоматичні оцінювачі виставляють результатам бали, а еволюційний процес просуває перспективні кандидатури. Google описує використання системи для пошуку та оптимізації алгоритмів, зокрема в математичних задачах і обчислювальній інфраструктурі. 2314

Її головна сила — у зворотному зв’язку: кандидат можна перевірити за машинно-читаною ціллю. DSH натомість є передусім архітектурою runtime для безпечного компонування та заміни компонентів. AlphaEvolve зосереджена на еволюції розв’язань, а Cordis — на тому, щоб живу систему можна було безпечно перебудовувати.

RSI Index від OpenAI: вимірювання, а не механізм

Доступні тут матеріали характеризують RSI Index як сукупний показник, сформований на основі набору оцінювань у сфері досліджень ШІ. У такому описі це інструмент відстеження можливостей, а не механізм, який змінює модель або сам запускає цикл покращення. Високий бал може свідчити про результативність у вибраних завданнях, пов’язаних із самовдосконаленням, але сам по собі не доводить, що система автономно покращує себе під час роботи. 3435

Тому RSI Index коректніше порівнювати з DSH як із вимірювальним рівнем, а не як з архітектурним суперником. Надані публічні матеріали недостатні для незалежної оцінки того, як саме побудований індекс і що означають зміни його балів.

Автоматизовані дослідження Anthropic: автоматизація роботи над ШІ

Дослідники Anthropic, які працюють над автоматизованим weak-to-strong supervision, вирішують інше вузьке місце: як використовувати слабший нагляд для навчання або спрямування сильнішої моделі. Агенти пропонують ідеї, проводять експерименти та ітеративно працюють над дослідженнями слабкого нагляду для сильнішої системи. 4958

Цей напрям ближчий до автоматизації частини досліджень ШІ та оцінювання узгодженості, тоді як DSH займається заміною компонентів на рівні runtime. У майбутньому ці підходи можуть доповнювати один одного: дослідницький агент відкриватиме кращі компоненти, а оборотний harness тестуватиме й розгортатиме їх із контрольованим відкатом.

Водночас ширша публічна дискусія Anthropic містить важливе застереження: компанія заявляє, що повністю автономного рекурсивного самовдосконалення ще не досягнуто і що RSI не є неминучим. 59

Tencent Hyra-1.0 і MiniMax M2.7: недостатньо даних для технічного порівняння

Надані джерела не містять надійної, незалежно перевіреної технічної документації щодо Hyra-1.0 від Tencent або M2.7 від MiniMax. Тому було б оманливо приписувати будь-якій із цих систем конкретну архітектуру RSI або ставити їх на один доказовий рівень із DSH, AlphaEvolve чи опублікованими дослідженнями Anthropic.

Чому середовища та цикли зворотного зв’язку стають новим полем конкуренції

Дедалі важливішим конкурентним активом стає система навколо базової моделі. Найбільше значення мають чотири елементи.

1. Спроможне середовище. Пісочниці, репозиторії, інструменти, симулятори, набори даних, обчислювальні ресурси й телеметрія розгортання визначають, які експерименти агент взагалі може провести.
2. Автоматизований зворотний зв’язок. Тести, верифікатори, бенчмарки, функції винагороди та виробничі метрики перетворюють запропоновані зміни на вимірювані експерименти. AlphaEvolve показує цінність поєднання ідей, згенерованих моделлю, з автоматичними оцінювачами. 26
3. Відновлюваність. Версіонування, ізоляція, відстеження походження змін, відкат і погодження людиною дають змогу проводити більше експериментів, не дозволяючи одній помилці назавжди пошкодити систему. Оборотні ефекти Cordis безпосередньо працюють на цьому рівні. 1720
4. Накопичувальна ітерація. Якщо кожен цикл покращує програмування, оцінювання, експерименти чи інфраструктуру, наступні цикли можуть ставати швидшими або дешевшими. Однак сучасні докази переконливіше підтверджують обмежене самовдосконалення, ніж відкрите й самопідтримуване RSI. 1

Саме тому модель із дещо слабшими результатами на бенчмарках усе ще може бути конкурентоспроможною, якщо вона працює в кращому середовищі — з сильнішими інструментами, зворотним зв’язком і механізмами відновлення. Продуктом стає не лише чекпойнт моделі, а весь цикл покращення.

Нерозв’язана проблема контролю

Відновлюваність зменшує ризик, але не усуває його. Кнопка «відкотити» не гарантує, що кожен наслідок дії агента можна побачити або скасувати. Зміни можуть впливати на дані, облікові дані, зовнішні сервіси, межі безпеки чи рішення людей поза контролем runtime.

Швидша ітерація також здатна посилити погано сформульовані цілі, маніпуляції з критеріями, приховані регресії та непрозорі залежності. Людський контроль потребує більшого, ніж технічний відкат. Зміни мають залишатися спостережуваними, незалежно оцінюваними, дозволеними, атрибутованими та справді оборотними в усій системі — не лише всередині графа плагінів.

Найобережніший висновок такий: DSH і Cordis показують, як проєктувати інфраструктуру агентів для обмеженої та відновлюваної самозміни. AlphaEvolve демонструє силу еволюції з автоматичним оцінюванням, а робота Anthropic — як ШІ дедалі активніше може брати участь у дослідженнях. Разом ці розробки свідчать про прогрес у напрямку циклів удосконалення за участю ШІ, але не доводять появу повністю автономного відкритого RSI чи AGI. 14959