Ця нова стаття просто шалена! Вона свідчить, що агенти на основі LLM діють за макроскопічними фізичними законами, подібно до того, як частинки поводяться в термодинамічних системах. І, схоже, це відкриття, яке застосовується до різних моделей. Агенти LLM дуже добре працюють у різних сферах, але у нас немає теорії, чому так. Поведінка цих систем часто розглядається як прямий продукт складної внутрішньої інженерії: шаблони запитів, модулі пам'яті та складний виклик інструментів. Динаміка залишається чорною скринькою. Це нове дослідження свідчить, що агенти, керовані LLM, демонструють детальний баланс — фундаментальну властивість рівновагових систем у фізиці. Що це означає? Це свідчить, що LLM не просто вивчають правила та стратегії; вони можуть неявно вивчати базову потенційну функцію, яка оцінює стани глобально, фіксуючи щось на кшталт «наскільки далеко LLM сприймає стан від мети». Це дозволяє здійснювати цілеспрямовану збіжність без застрягання в повторюваних циклах. Дослідники вбудовували LLM у агентні фреймворки та вимірювали ймовірності переходу між станами. Використовуючи принцип найменшої дії з фізики, вони оцінили потенційну функцію, що керує цими переходами. Результати для GPT-5 Nano, Claude-4 та Gemini-2.5-flash: переходи станів здебільшого задовольняють детальну умову балансу. Це свідчить про те, що їхня генеративна динаміка має характеристики, схожі на системи рівноваги. У завдання символічного підходу з 50 228 переходами станів у 7 484 різних станах 69,56% переходів з високою ймовірністю рухалися в бік нижчого потенціалу. Потенційна функція відображала характеристики рівня вираження, такі як складність і синтаксична валідність, без необхідності інформації на рівні рядків. Різні моделі демонстрували різну поведінку на спектрі дослідження-експлуатації. Claude-4 і спалах Gemini-2.5 швидко зійшлися в кілька станів. GPT-5 Nano широко досліджував, давши 645 різних дійсних результатів у 20 000 поколіннях. Це може бути перше відкриття макроскопічного фізичного закону в генеративній динаміці LLM, який не залежить від конкретних деталей моделі. Це припускає, що ми можемо вивчати агентів ШІ як фізичні системи з вимірюваними, передбачуваними властивостями, а не лише інженерні артефакти. Стаття: Навчіться створювати ефективних AI-агентів у нашій академії: