Умные агенты в команде: Google DeepMind выявили оптимальные конфигурации для решения сложных задач

Исследователи Google DeepMind провели серию экспериментов с использованием нескольких продвинутых языковых моделей, включая GPT-5 и Gemini, чтобы определить наиболее эффективные стратегии командной работы. Результаты показали, что при решении задач, где один агент уже достиг уровня оптимальности (на 45–50% и выше), добавление дополнительных агентов практически всегда негативно сказывается на качестве решения.

Особое внимание было уделено оптимизации в таких областях, как финансовый анализ и исследование рынка. Экспертная команда, состоящая из нескольких агентов, способна обеспечить прирост качества на 80% по сравнению с работой отдельных моделей. Каждый агент отвечает за определенный аспект, от анализа отчетов до мониторинга новостей и оценки рисков, а затем объединяет информацию в единую, понятную картину.

Исследование также выявило, что для веб-поиска и сложной навигации по сайтам небольшая группа (3–4 агентов) дает лучшие результаты, что позволяет избежать излишней сложности. Кроме того, команда обнаружила, что длительное последовательное планирование, например, в задачах, требующих многоэтапного планирования или работы с большими объемами кода, приводит к ухудшению результатов в многоагентных системах.

Авторы исследования подчеркивают важность оптимизации коммуникации между агентами, так как избыточные взаимодействия приводят к увеличению затрат на токены. Также Google разработала модель, которая, основываясь на описании задачи, автоматически предлагает оптимальную архитектуру решения с точностью 87%.