Исследователи Принстонского университета и Meta представили Strategist — ИИ-агента, который накапливает способы решения задач и использует их в следующих заданиях. В препринте от 2 ноября проверен перенос таких заготовок на новые тесты без полного повторения поиска. Веса моделей при этом не меняются.

Обычно разработчик сам задаёт, когда модели рассуждать, проверять ответ или вызывать другую модель. Strategist пишет эту процедуру на Python, испытывает несколько вариантов и сохраняет их вместе с результатами и замечаниями. Следующее задание получает доступ к накопленной библиотеке: готовые процедуры можно выбирать, переделывать и соединять. По описанию разработчиков, сохраняются и неудачные кандидаты — опыт включает сведения о том, что не сработало.

В основном опыте GPT-6 проектировала процедуры для трёх малых моделей Qwen3. На 30 тестах средний результат составил 74,7% против 74,0% у выбранных контрольных процедур. Взвешенный расход токенов снизился в среднем на 39%: вес зависел от размера модели, это не измерение счёта за весь эксперимент. На MedQA и AIME экономия сопровождалась потерей 4–5 процентных пунктов; на HotpotQA и COPA расходы выросли без существенного выигрыша качества.

На десяти новых тестах выбор из уже найденных процедур дал более высокую точность в восьми случаях. Экономия, однако, переносилась не всегда. Сам первоначальный поиск требовал примерно 20 тысяч выполнений «кандидат — пример» на задачу, дополнительно к работе управляющей модели.

Код доступен, но репозиторий содержит пустую библиотеку: её нужно наполнить собственным поиском. Пока это результаты авторов препринта. Работа показывает возможность переносить опыт настройки ИИ между задачами; универсального улучшения качества или окупаемости она не устанавливает.