Tenhle nový článek je šílený! Naznačuje, že látky založené na LLM fungují podle makroskopických fyzikálních zákonů, podobně jako se částice chovají v termodynamických systémech. A vypadá to, že je to objev, který platí napříč modely. LLM agenti fungují velmi dobře v různých oblastech, ale nemáme teorii, proč to tak je. Chování těchto systémů je často vnímáno jako přímý produkt složitého interního inženýrství: šablony promptů, paměťové moduly a sofistikované volání nástrojů. Dynamika zůstává černou skříňkou. Tento nový výzkum naznačuje, že agenti řízení LLM vykazují detailní rovnováhu, což je základní vlastnost rovnovážných systémů ve fyzice. Co to znamená? Naznačuje, že LLM se neučí jen pravidla a strategie; mohou se implicitně učit základní potenciální funkci, která hodnotí stavy globálně, zachycující něco jako "jak daleko LLM vnímá stav od cíle." To umožňuje řízenou konvergenci bez uvíznutí v opakujících se cyklech. Výzkumníci začlenili LLM do agentních rámců a měřili pravděpodobnosti přechodu mezi stavy. Pomocí principu najmenší akce z fyziky odhadli potenciální funkci řídící tyto přechody. Výsledky napříč GPT-5 Nano, Claude-4 a Gemini-2.5-flash: přechody stavů většinou splňují podrobnou podmínku rovnováhy. To naznačuje, že jejich generativní dynamika vykazuje vlastnosti podobné rovnovážným systémům. V úkolu symbolického přizpůsobení s 50 228 přechody stavů napříč 7 484 různými stavy se 69,56 % přechodů s vysokou pravděpodobností přesunulo směrem k nižšímu potenciálu. Potenciální funkce zachytila vlastnosti na úrovni výrazu, jako je složitost a syntaktická platnost, aniž by potřebovala informace na úrovni řetězců. Různé modely vykazovaly různé chování na spektru průzkumu a vykořisťování. Claude-4 a Gemini-2.5-flash se rychle sblížily do několika států. GPT-5 Nano široce zkoumal a vytvořil 645 různých platných výstupů během 20 000 generací. To může být první objev makroskopického fyzikálního zákona v generativní dynamice LLM, který nezávisí na konkrétních detailech modelu. Naznačuje, že můžeme studovat AI agenty jako fyzikální systémy s měřitelnými, předvídatelnými vlastnostmi, nikoli jen jako inženýrské artefakty. Článek: Naučte se vytvářet efektivní AI agenty v naší akademii: