На arXiv вышла статья, посвящённая фундаментальной проблеме для интерактивных AI-агентов: как агенту решить, когда стоит задать уточняющий вопрос, а когда лучше действовать по умолчанию, сэкономив токены. Авторы предлагают формализацию на основе активного вывода (active inference).
Что произошло
Исследователи сформулировали задачу сбора контекста как процесс принятия решений с двумя уровнями. Внутренний шаг обновляет вероятностные убеждения о скрытом состоянии задачи, а внешний выбирает одно из трёх действий: прояснить контекст (задать вопрос, сделать retrieval, запустить промпт), выполнить предметное действие или остановиться. Цель — минимизировать ожидаемую свободную энергию с учётом затрат. В детерминированных случаях epistemic term сводится к ожидаемому информационному выигрышу, нормированному на стоимость токенов.
Почему это обсуждают
Работа напрямую затрагивает практику разработки LLM-агентов: от автоматического уточнения промптов до генерации с предварительным прояснением. Предложен конкретный алгоритм Optimal Question Asking (OQA) с точными апостериорными распределениями и решателем на динамическом программировании. Авторы протестировали его на binary/multiway категориальных задачах от 25 до 300 кандидатов, сравнивая с frontier-моделями. Формулировка модель-независима — это потенциально может стать слоем сбора контекста в любом агенте.
Что проверено, что остаётся неясным
Подтверждено, что OQA превосходит baseline-стратегии на синтетических задачах с известной структурой. Однако в реальных сценариях (недетерминированные среды, непрерывные пространства, многошаговые диалоги) масштабируемость метода пока не показана. Также неясно, как подход сочетается с обучением с подкреплением в долгоживущих агентах.
Что смотреть дальше
Стоит обратиться к репозиторию arXiv для полного текста, а также проверить, появятся ли бенчмарки на сложных многозадачных наборах вроде GAIA или WebArena.
| Punkt | Detail |
|---|---|
| Источник | arXiv cs.AI |
| Дата публикации | 21 августа 2026 |
| Ключевая идея | Формализация trade-off «угадать vs уточнить» через активный вывод |
| Метод | OQA (Optimal Question Asking) с динамическим программированием |
| Бенчмарки | Binary/multiway tasks, 25–300 candidates, сравнение с LLM |
Источник: https://arxiv.org/abs/2608.19202
Проверка: https://arxiv.org/