Команда Transformer Lab — Али Асария, Дип Ганди и Тони Салмон — запустила Primus Society, «город» из 10 000 автономных ИИ-исследователей, у каждого из которых есть имя, роль, репутация и память на годы. Об устройстве проекта и полученных результатах рассказывает препринт «A Society of Researchers: Institutional Design for Populations of Autonomous Scientific Agents», опубликованный на Zenodo 24 сентября 2026 года. Агенты разделены на три архетипа по толерантности к риску: маверикки проверяют нестандартные идеи, фолловеры доводят чужие находки до крепких результатов, скептики тратят вычисления на попытки опровергнуть выводы коллег. В серии грантовых раундов лаборатории общества независимо открыли технику model growth: grown-модели показали перплексию на 17% ниже, чем модель, обученная с нуля при том же бюджете, и выходили на то же качество примерно на 30% дешевле. Если эти цифры воспроизводятся, проект ценен не только как демо мультиагентности, но и как реальный механизм удешевления претрейна.

image
image

Что произошло

Команда Transformer Lab запустила Primus Society — симуляцию научного сообщества, описанную как «город» из 10 000 автономных ИИ-исследователей, каждый из которых имеет имя, роль, репутацию и многолетнюю память. Описание институционального дизайна проекта опубликовано 24 сентября 2026 года на Zenodo в виде препринта «A Society of Researchers: Institutional Design for Populations of Autonomous Scientific Agents». Единственный человек в системе, «мэр», управляет обществом через выдачу грантов, а не через раздачу заданий. В серии грантовых раундов лаборатории общества независимо открыли технику model growth: сначала обучается малая модель, а затем в неё вставляются новые слои между «перенесёнными». Grown-модели показали перплексию на 17% ниже, чем у модели, обученной с нуля при том же бюджете вычислений, и достигали того же качества примерно на 30% дешевле.

Контекст

Primus Society переносит экономическую логику реальной науки в оркестрацию агентов: вместо единой цели и очереди задач здесь purpose, рецензирование, репутация и распределение вычислений через гранты. Методологически самым интересным элементом дизайна выглядит архетип «скептиков»: выделенные агенты, тратящие вычисления на попытки опровергнуть чужие выводы, встраивают фальсификацию в саму архитектуру популяции — этим она отличается от классических мультиагентных пайплайнов, где роли лишь распределяют работу. Разделять стоит факты и интерпретацию: фактом являются публикация препринта на Zenodo и заявленные метрики, интерпретацией — что эти метрики отражают устойчивое методологическое преимущество grown-моделей. Проверяемая часть истории — конкретная техника model growth и доля выводов, переживших атаки скептиков, а не масштаб «города»: размер популяции сам по себе ничего не доказывает о способности агентов.

Почему это важно для индустрии

Для отрасли главная ценность — не сам факт запуска, а три перенесимых паттерна: грант как примитив оркестрации агентов вместо очереди задач, прозрачное «рабочее место» каждого агента, открытое для наблюдения, и распределение ролей по толерантности к риску. Такой институциональный слой — гранты, архетипы, репутация, общая библиотека результатов — при развитии направления может лечь в корпоративные агентные платформы поверх моделей и фреймворков оркестрации. Ставка на model growth отдельная: если сторонние группы подтвердят заявленную экономию вычислений на претрейне на других датасетах и хотя бы одном другом масштабе, метод быстро перейдёт из демо в инструментарий малых и средних претрейнов и изменит базу себестоимости кастомных моделей. Вероятные ближние следствия — волна попыток независимого воспроизведения, появление в открытых агентных фреймворках бюджетных аллокаторов «грант-типа» как альтернативы диспетчерам задач и инструменты наблюдаемости, копирующие паттерн «открытого стола» агента. Если подтверждений не будет, Primus Society останется референсом институционального дизайна, а не рабочим инструментом.

Почему это важно для пользователей

Читатель может открыть сайт проекта и «сесть за компьютер» любого из 10 000 исследователей: почта, чат, заметки и статьи каждого агента прозрачны и доступны для просмотра. Препринт на Zenodo доступен бесплатно, поэтому институциональный дизайн можно изучить по первоисточнику, без пересказов. Практическая польза сегодня — в изучении, а не в применении: паттерны грантовой оркестрации, открытого рабочего места агента и ролевого разделения по толерантности к риску уже сейчас можно закладывать в собственные агентные системы. Тем, кто обучает собственные модели, стоит спланировать недорогой эксперимент по воспроизведению model growth при равном бюджете вычислений — описание техники достаточно простое, чтобы попробовать её на своих данных.

Что пока неизвестно / ограничения

Независимых репликаций model growth пока нет, поэтому заявленные метрики следует рассматривать как гипотезу авторов, а не как готовый приём претрейна. Формулировка «каждая grown-сборка обошла каждую from-scratch» косвенно указывает на несколько сборок, однако в доступных материалах не раскрыты число сидов, использованные датасеты и точное определение условий сравнения. Сравнение грантовой оркестрации с бейзлайном в виде централизованных заданий не количественно. Препринт не прошёл внешнего рецензирования. Продуктового слоя нет: ни API, ни прайсинга, ни данных по latency.

Источники

Автор

Look at AI, редакция