Компания Pathway представила модель искусственного интеллекта BDH-CQ, построенную на новом подходе к обработке информации. Разработчики заявили, что система способна решать задачи с невербальным рассуждением при существенно меньших затратах на вычисления. В основе модели лежит архитектура, отличающаяся от распространенных трансформерных систем.
Технические детали BDH-CQ опубликованы в научной работе от 10 августа на сервере препринтов arXiv. Модель стала продолжением разработки Dragon Hatchling, созданной в 2025 году для имитации связей и укрепления нейронов в процессе обучения. По данным исследования, BDH-CQ проверили на тесте ARC-AGI-1, который оценивает способность ИИ находить правила в визуальных задачах.
На ARC-AGI-1 система набрала почти 30%, решив примерно 3 из 10 заданий не более чем за 2 попытки. Ряд других моделей показал более высокий результат, однако BDH-CQ, как утверждают авторы, требует значительно меньше ресурсов. В частности, модель GPT 5.6 Luna (Low) превзошла ее по точности незначительно, но ее относительные расходы на токены оказались примерно в 11 раз выше.
BDH-CQ обучали на 150 млн параметров, тогда как современные крупные модели могут использовать десятки и сотни млрд параметров. Меньший объем параметров позволяет быстрее обучать систему и снижать стоимость ее работы. Авторы полагают, что при увеличении масштаба модель сможет заметно расширить возможности рассуждения.
Обычные трансформерные модели обрабатывают текстовые запросы, последовательно предсказывая следующие слова и учитывая весь предыдущий контекст. При усложнении и удлинении запроса потребность в вычислительных ресурсах резко растет. В Pathway заявили, что их подход заменяет длинные текстовые цепочки числовыми структурами, которые отражают связи между элементами задачи.
Для поиска ответа BDH-CQ использует внутренний механизм скрытого рассуждения, выполняющий повторяющиеся циклы обработки данных. Увеличение числа таких циклов должно давать модели больше времени на решение без пропорционального роста потребления памяти. Компания намерена расширить архитектуру до 600 млрд параметров, проверить ее на ARC-AGI-2 и ARC-AGI-3, а также создать на этой основе большую языковую модель для чат-ботов и задач в сфере кибербезопасности и промышленности.
