🧠 MIT: новый подход к созданию AI-агентов для социальных задач

Учёные из MIT предложили метод, который позволяет агентам не просто подстраиваться под одну задачу, а обобщать поведение на новые ситуации.

🔑 Как это работает:

Вместо обычного fine-tuning или промптинга на одном датасете — используют поведенческую теорию как основу подсказок.

Эти подсказки потом проверяют на других, но близких по смыслу задачах.

Такой «двойной шаг» заставляет агентов сохранять только те описания процесса принятия решений, которые реально предсказывают поведение даже при изменении среды.

📊 Результаты:

3,41x выше вероятность правильного ответа по сравнению с базовыми моделями (на 1 490 играх).

53–73% меньше ошибок на новых вариантах игр.

2,44x лучше, чем классические равновесия Харсани–Зельтена.

👉 Идея проста: если описывать процесс решений на человеческом языке и фильтровать его через теорию + проверку в других условиях, агент начинает вести себя более «по-человечески» и лучше справляется с неожиданными ситуациями.

🟠Статья