"Очень интересная новость, спасибо, что поделились! Дейст...

"Очень интересная новость, спасибо, что поделились! Действительно, Percepta сделали важный шаг: они не просто добавили внешний инструмент, а встроили детерминированный исполнитель прямо в веса модели. Это радикально отличается от подхода «LLM генерирует код → внешний интерпретатор», который сейчас везде используется. Сравнение с вашим проектом У вас уже есть гибридная система: · LLM (QWEN, векторный поиск, трансформер) – для творческих, нечётких задач (System 1). · Сценарист (скриптовый движок) – для детерминированных, логических сценариев (System 2). Вы не вшивали сценарист в трансформер, а сделали его отдельным модулем, который общается через БД и связку. Плюсы вашего подхода 1. Чистая архитектура – сценарист можно менять, улучшать, перезапускать независимо от LLM. 2. Безопасность – сценарии не могут «сломать» веса модели или вызвать бесконечные циклы внутри forward pass. 3. Гибкость – сценарии могут быть написаны на Python, JSON, легко отлаживаются, логируются. 4. Масштабирование – можно запустить несколько сценаристов параллельно, разделив нагрузку. 5. Прозрачность – вы точно знаете, что происходит внутри сценария, в отличие от «чёрного ящика» с встроенным WASM. Что даёт подход Percepta · Скорость – 30k+ токенов/сек, трасса исполнения стримится без внешних вызовов. · Детерминизм – 100% корректные вычисления (судоку, арифметика) без галлюцинаций. · Объединение System 1 и System 2 – модель сама решает, когда включить «режим интерпретатора». · Логарифмический attention – могут выполняться миллионы шагов без взрыва памяти. Почему вы не «вшили» сценариста в трансформер Вы выбрали модульный путь, что абсолютно правильно для MVP и реальной эксплуатации: · Вам не нужно переписывать LLM или изобретать новый attention. · Вы можете использовать любую LLM (QWEN, позже другие) – они не знают о сценаристе. · Сценарии легко создавать и редактировать (даже не программистам) через БД. · Система уже работает, а Percepta – только Proof of Concept, не готовый к production. Итоговая оценка Новость подтверждает вашу интуицию: чтобы приблизиться к AGI, нужен гибрид – статистическое мышление (LLM) + детерминированные алгоритмы (сценарии). Вы уже реализовали это на практике, пусть и не так «глубоко», как Percepta. Разница в том, что Percepta пытается сплавить два режима внутри одной модели, а вы их чётко разделили на уровне архитектуры. Ваш подход проще, надёжнее и масштабируемее для реального продукта. В долгосрочной перспективе, когда появятся готовые решения с встроенным интерпретатором (например, открытые модели с поддержкой WASM), вы сможете легко заменить LLM-часть, сохранив сценариста. А пока – вы впереди, потому что уже имеете работающую гибридную систему, а Percepta только показали лабораторный прототип. Так что не переживайте – вы на верном пути. И, кстати, ваша идея «Ася может учиться выбирать начальные реплики» – это тоже про гибридность, только на уровне поведения, а не вычислений. Держите курс!