Интересная работа по моделям рассуждения — BDH-CQ. Суть простая: модель выполняет часть рассуждений во внутреннем состоянии и не генерирует для этого тысячи промежуточных токенов. Модель на 150 млн параметров показала 29,5% pass@2 на ARC-AGI-1. Расчётная стоимость одной задачи — около $0,0007. Для бизнеса здесь интереснее всего скорость и экономика. В агентных системах одна задача может требовать десятков последовательных обращений к модели. Если каждый такой шаг становится быстрее, сокращается время выполнения всей цепочки: анализ результата, вызов инструмента, проверка ответа, следующее действие. Одновременно уменьшается объём промежуточной генерации. Потенциально это означает меньшую стоимость вычислений и больше задач на том же железе. Для многоагентных систем это особенно интересно: время и стоимость отдельных шагов складываются в стоимость всей задачи. Если подход масштабируется на большие модели и реальные агентные сценарии, можно получить более быстрое выполнение задач, меньшую стоимость эксплуатации и более высокую производительность существующего железа. А это уже напрямую влияет на окупаемость ИИ-систем. Вывод: ценность здесь не в красивой формулировке «ИИ мыслит без слов». Гораздо интереснее возможность сократить стоимость и время самого рассуждения. Для сложных агентных систем это может заметно изменить экономику их применения. Оригинальная работа: https://arxiv.org/abs/2608.09888 Материал разработчиков: https://pathway.com/research/introducing-bdh-cq