MoFlow: алгоритм, который находит баланс между скоростью, стоимостью и точностью искусственного интеллекта
Разработчики представили новую методологию под названием MoFlow, способную генерировать рабочие процессы для агентных систем ИИ, оптимизируя сразу несколько противоречивых целей одновременно. В отличие от существующих решений, которые заставляют пользователя заранее выбирать приоритет (например, скорость в ущерб точности), новая система строит карту всех возможных компромиссов, позволяя адаптировать результат под меняющиеся требования без переобучения модели.
# MoFlow: Новый подход к многокритериальной оптимизации в агентовском ИИ
Развитие автономных агентов и сложных рабочих процессов (workflow) в искусственном интеллекте столкнулось с фундаментальной дилеммой. При проектировании таких систем пользователи обычно вынуждены ставить «жесткий» приоритет на один параметр. Если важнее всего точность, система будет медленной и дорогой. Если критична скорость, точность может страдать. Существующие методы генерации рабочих процессов решают эту проблему путем минимизации одной цели или взвешенной суммы нескольких целей. Это означает, что для каждого нового сценария требуется полное переобучение модели с нуля, что неэффективно и тормозит развитие гибких ИИ-решений.
В новой работе, опубликованной на arXiv, исследователи предлагают решение под названием MoFlow (Multi-Objective Agentic Workflow Generation). Данная методология способна генерировать рабочие процессы, которые jointly optimize (совместно оптимизируют) множество критериев: точность, стоимость, задержку (латентность), робастность (устойчивость) и согласованность. Главное отличие подхода в том, что он не выбирает одну точку на графе эффективности, а аппроксимирует целую кривую Парето.
Теория Парето и поиск оптимума
Суть предложения заключается в том, чтобы рассматривать генерацию рабочего процесса как многокритериальный марковский процесс принятия решений (multi-objective Markov decision process). Традиционные алгоритмы находят единственный оптимальный путь, но в многомерном пространстве целей (например, минимизация денег при максимизации точности) таких путей может быть бесконечное множество, и ни один из них не является лучшим для всех параметров одновременно.
Кривая Парето — это граница во всех возможных результатах, где улучшение одного параметра неизбежно ведет к ухудшению другого. MoFlow использует алгоритм поиска, называемый Convex-Hull Monte Carlo Tree Search (поиск по Монте-Карло с помощью выпуклой оболочки). В рамках этого подхода каждая узловая точка в процессе поиска не хранит единственной оценки (например, «ошибка равна 5%»), а накапливает набор достижимых компромиссов (set-valued backups). Благодаря этому всего один цикл поиска позволяет приблизиться к полной кривой Парето.
Система работает по принципу «сначала найди, потом выбери». В результате получается карта всех возможных сценариев, из которой можно мгновенно извлечь рабочий процесс, подходящий под текущие нужды пользователя, без необходимости запускать обучение заново. Это ключевое преимущество для динамичных сред, где требования к ИИ меняются часто.
Что такое оценка гиперобъема?
Для оценки эффективности таких сложных систем используется метрика, известная как hypervolume (гиперобъем). Это показатель, который измеряет объем пространства, покрытого решениями относительно некоторой точки отсчета (обычно «худшего возможного результата»). Чем больше этот объем, тем лучше алгоритм покрывает область возможных решений. В эксперименте MoFlow показал наивысшую среднюю гиперобъем по сравнению с базовыми методами, демонстрируя способность находить более качественные и разнообразные решения.
Строгие условия испытаний
Исследователи проверили MoFlow на шести различных бенчмарках (стандартизированных наборов задач), охватывающих математику, написание кода и ответы на вопросы. Для сравнения были выбраны шесть сильных базовых моделей (baselines), которые традиционно оптимизируют лишь один скалярный показатель.
Сделка для исследователей была сделана специально для того, чтобы продемонстрировать превосходство новой методики. Авторы создали сценарий оценки, который явно фаворизировал старые методы. Базовые модели запускались заново для каждого конкретного теста предпочтения (например, сначала тест на «максимальную скорость», потом на «максимальную точность»), что позволяло им адаптироваться под условия в момент проверки. MoFlow же получил общую карту компромиссов изначально и просто осуществлял выбор из уже найденных решений, не видя конкретных предпочтений в момент генерации.
После проведения тестов MoFlow показал лучшие результаты по среднему значению гиперобъема. Это подтверждает, что даже при неравных стартовых условиях и наличии у противников возможности динамической адаптации под каждый отдельный запрос, методика многокритериальной оптимизации способна предложить более устойчивые и универсальные решения.
Гибкость будущего агентов
Представленная методология открывает путь к созданию более универсальных агентов. В будущем пользователи смогут задавать сложные, часто конфликтующие требования, такие как «минимальная стоимость при допустимой точности 98% и максимальной задержке», и получать готовый рабочий процесс, который учитывает все эти факторы одновременно. Это устраняет необходимость в ручном переключении режимов или постоянном переобучении моделей под новые бизнес-процессы.
Как и любая передовая технология на базе ИИ, MoFlow демонстрирует переход от узкоспециализированных инструментов к гибким системам, способным балансировать на грани компромиссов. Это важный шаг к тому, чтобы агенты могли работать в реальных, неидеальных условиях, где цена ошибки высока, а ресурсы ограничены.
*Источником данных послужила публикация в репозитории arXiv по адресу https://arxiv.org/abs/2609.38294, представленная 29 сентября 2026 года.*