AutoFyn: ИИ-агенты решают IMO 2026 и находят уязвимости без дообучения весов
Исследователи представили AutoFyn, агентный каркас (harness), вдохновлённый алгоритмом Expert Iteration (экспертная итерация). AutoFyn адаптирует модель с неизменными, «замороженными» весами за много раундов работы: вместо дообучения самой модели система обновляет закреплённое (persistent) состояние на основе проверенных сигналов награды.
Каждый раунд начинается с чистой сессии модели, без памяти о прошлых раундах. Устойчивая информация возвращается в систему только через явные интерфейсы: файлы памяти, отчёты и состояние репозитория. Внутри одного раунда оркестратор исследует пространство решений, планирует и строит множество альтернативных подходов силами специализированных агентов. Привязанный к конкретной задаче верификатор проверяет проделанную работу и выдаёт объективную награду, измеряющую прогресс. Эта награда переносится обратно в закреплённое состояние и тем самым обновляет эффективную стратегию агента для следующего раунда.
Метод проверили в трёх областях. На шести новых задачах Международной математической олимпиады (IMO) 2026 года каждая модель, у которой оставался запас для роста, показала более высокий результат под управлением AutoFyn, чем в собственном агенте-кодере своего провайдера. В задаче по работе с данными AutoFyn собрал агента, занявшего первое место в рейтинге бенчмарка Spider 2.0 dbt. В области кибербезопасности AutoFyn произвёл 16 подтверждённых мейнтейнерами advisory об уязвимостях, в проектах Next.js, MetaMask, pnpm, Warp, LiteLLM, Langflow и Open WebUI.
В работе не названы ни авторы отчёта и их организация, ни конкретные модели, которые тестировались, ни название «собственного агента-кодера провайдера», с которым сравнивали AutoFyn. Также не указаны дата релиза, доступность кода и статус open source, а устройство верификатора и сигнала награды описано лишь как «привязанное к задаче», без деталей.
Ключевые факты
- AutoFyn, агентный каркас на основе алгоритма Expert Iteration (экспертная итерация): улучшает поведение агента за счёт закреплённого состояния, не меняя веса модели.
- Каждый раунд стартует с чистой сессии модели; накопленный опыт хранится только в отдельных интерфейсах, файлах памяти, отчётах и состоянии репозитория.
- Внутри раунда оркестратор строит множество альтернативных решений силами специализированных агентов, а верификатор, привязанный к задаче, оценивает их и выдаёт объективную награду.
- На шести новых задачах IMO 2026 каждая модель с запасом для роста показала более высокий результат под AutoFyn, чем в собственном агенте-кодере своего провайдера.
- AutoFyn собрал агента, занявшего первое место в рейтинге бенчмарка Spider 2.0 dbt, и нашёл 16 подтверждённых мейнтейнерами уязвимостей в Next.js, MetaMask, pnpm, Warp, LiteLLM, Langflow и Open WebUI.
Почему это важно
AutoFyn предлагает альтернативу дообучению или RL-обновлению весов для улучшения ИИ-агентов: вместо изменения самой модели система накапливает опыт в закреплённом состоянии, памяти, отчётах и состоянии репозитория, и обновляет эту память по проверенному сигналу награды. Такой подход не требует переобучения и, по описанным результатам, переносится сразу на три разные области: математику, работу с данными и поиск уязвимостей.
Кому это важно
Команды, которые строят агентные системы для решения долгих многошаговых задач, кодинг, анализ данных, автоматизированный поиск уязвимостей. Метод особенно интересен там, где дообучение весов дорого или невозможно (закрытые модели за API), а нужно систематически улучшать результат агента поверх одной и той же базовой модели.
Как это применить
Схема AutoFyn: раунд начинается с чистой сессии модели без встроенной памяти о прошлых попытках. Оркестратор параллельно исследует несколько альтернативных подходов через специализированных агентов. Верификатор, завязанный на конкретную задачу, проверяет каждый подход и выставляет объективную награду. Награда переносится в закреплённое состояние (файлы памяти, отчёты, состояние репозитория), которое читается в следующем раунде и тем самым формирует эффективную стратегию агента без изменения весов модели.
Можно ли доверять
Это технический отчёт на arXiv без указанных в тексте авторов и организации, без отметок о рецензировании. Числовые результаты, 6 задач IMO 2026, первое место на Spider 2.0 dbt, 16 advisory об уязвимостях, приведены и интерпретированы самими авторами работы; независимого подтверждения в источнике нет.
Риски и подводные камни
В отчёте не названы ни авторы и их организация, ни конкретные протестированные модели, ни «собственный агент-кодер провайдера», с которым сравнивали AutoFyn. Не указаны дата релиза, доступность кода и статус open source. Устройство верификатора и сигнала награды описано только как «привязанное к задаче», без деталей, как именно считается награда и насколько она устойчива к обману (reward hacking).