Apple: сложная инфраструктура не всегда усиливает ML-агента
В исследовании Apple утверждается, что при одинаковом бюджете времени сильный агент-кодировщик с минимальной инфраструктурой не уступил современным сложным системам-обвязкам на задачах автономной ML-разработки.
1 октября 2026 года Apple представила исследование о роли harness — инфраструктурной обвязки вокруг агента — в автономной ML-разработке. Авторы сравнили современные open-source системы с несколькими агентами, поисковыми подагентами и другими дополнительными слоями с более простым агентом-кодировщиком, напрямую работающим с окружением через базовые операции чтения, записи и выполнения команд. При одинаковом бюджете времени и одной базовой языковой модели сложные системы, по результатам работы, не дали преимуществ перед одной сессией агента с минимальной обвязкой. Авторы связывают это с тем, что в таком сценарии дополнительные слои становятся избыточными, а основным фактором результата остаётся сама модель. Для разработчиков это означает, что усложнение оркестрации не обязательно оправдано: сначала стоит проверить, какой результат даёт сильная модель с простым окружением.
Почему это важно
Работа ставит под сомнение необходимость многоуровневой оркестрации для агентной ML-разработки и предлагает оценивать её пользу против более простой альтернативы.
