Команда Subconscious с университетскими соавторами представила метод Adversarial Speculative Reasoning, повысивший результат ИИ-агентов в программировании без изменения основной модели. В препринте от 3 ноября обучают вспомогательную нейросеть, предлагающую черновики продолжения.

При спекулятивном декодировании большая модель проверяет несколько предложенных фрагментов текста разом. Обычно помощника учат угадывать её продолжение ради скорости. Здесь его обучили расходиться с основной моделью в ключевых местах. Отказ от черновика запускает новый блок проверки; по гипотезе авторов, важные решения тогда записываются во внутреннюю память с меньшей вычислительной погрешностью и лучше сохраняются на длинной дистанции.

В пяти повторениях DeepSWE — 113 задач с проверкой скрытыми тестами — GLM-5.3-NVFP4 улучшилась с 60,6% до 67,6%. У DeepSeek-V4.1-Flash прирост составил четыре процентных пункта, но доверительный интервал включал ноль. На NL2Repo-Bench её средняя доля пройденных тестов выросла на 1,4 пункта; этот результат статистически значим.

Обучение помощника соглашаться с желательным рассуждением, напротив, ухудшило результаты; обучение посторонним предпочтениям заметного выигрыша не дало. Различать правильные и ошибочные решения маленькая модель надёжно не научилась.

Это авторские эксперименты, а не независимо проверенная функция продукта. Потерю скорости до 2% оценили приближённо, по совпадению токенов. Работа показывает перспективу улучшать надёжность через устройство вычислений; универсальности результата и доступной реализации нового метода пока не установлено.