Sakana AI привезёт на ICML 2026 в Сеуле сразу 11 работ, но внимание AI-сообщества уже цепляется за одну из самых нетипичных: Sheaf-ADMM. Это не очередная попытка накачать одну большую модель параметрами, а ставка на координацию агентов, где задача решается не монолитной сетью, а набором локальных участников, которые договариваются между собой. Для разработчиков и команд, которые думают о мультиагентных системах не как о красивой демке, а как об инженерной архитектуре, сигнал понятный: рынок снова смотрит в сторону распределённого интеллекта, но теперь с претензией на объяснимость.
О работе сообщает Habr / Новости. По описанию, авторы предлагают связать распределённую оптимизацию с алгебраической топологией и посмотреть на координацию агентов не как на хаотичный обмен сообщениями, а как на строго заданный процесс согласования. Базовая идея выглядит так: большая задача режется на перекрывающиеся подзадачи, каждый агент получает только свой фрагмент, а затем начинается серия раундов, где участники сначала выдают локальные решения, потом сверяют их на общих границах и, если конфликт не снят, сохраняют информацию о расхождении для следующего шага.
Технический каркас здесь вдохновлён ADMM — Alternating Direction Method of Multipliers. В классической оптимизации это известный способ разруливать сложные задачи через декомпозицию и поочерёдное согласование частей. В Sheaf-ADMM этот механизм переносится в мультиагентную среду: агент не обязан видеть всю картину, но обязан регулярно сверяться с соседями и учитывать накопленные противоречия. Иными словами, система не делает вид, что конфликтов нет, а превращает их в рабочий сигнал. Для тех, кто устал от магии hidden states, где «что-то там внутри сошлось», это уже звучит как шаг в более взрослую инженерную сторону.
Самое необычное место в конструкции — использование клеточных пучков, или cellular sheaves, из топологии. Если убрать академический налёт, смысл довольно прикладной. Вместо жёсткого требования, чтобы все агенты полностью совпали в своих состояниях, пучок задаёт, в каких именно проекциях их ответы должны быть согласованы. Это важная разница. В обычной мультиагентной системе полное согласие либо дорого, либо просто вредно, потому что разные узлы смотрят на задачу с разных сторон. В схеме Sakana AI допускается частичная согласованность: совпадать нужно там, где это влияет на итог, а не в каждой внутренней детали. Для архитектур распределённого ИИ это уже не философия, а конкретный способ экономить коммуникацию и не душить специализацию агентов.
Авторы проверили подход на трёх задачах с жёсткими информационными ограничениями. В сценарии Multi-Agent Sudoku каждый агент видел только строку, столбец или блок 3×3. Sheaf-ADMM решил 93% задач, тогда как обычный baseline на message passing справился только с 11%. Для такого рода постановки это не косметическая прибавка, а смена класса результата. Во втором эксперименте, классификации изображений MNIST при сдвиге размера холста, обычная CNN просела до 11% точности, а метод Sakana AI удержал 86%. В третьем кейсе, Maze Pathfinding, точность осталась на уровне baseline, но цена коммуникации резко снизилась: вместо 42-мерного канала хватило 5-мерного. Для инженеров это, пожалуй, даже важнее красивого процента accuracy: если система передаёт меньше, а решает не хуже, значит, разговор про масштабирование хотя бы имеет право начаться.
На этом фоне неудивительно, что работа подаётся не только как новый алгоритм, но и как аргумент в пользу более прозрачной координации агентов. В стандартных нейросетевых пайплайнах поведение распределяется по скрытым представлениям, и понять, кто именно ошибся и где возник конфликт, обычно непросто. В Sheaf-ADMM логика согласования вынесена наружу: можно наблюдать, как локальные участники расходятся, что именно они пытаются состыковать и как меняется решение после очередного раунда. Для бизнеса это не просто академическая эстетика. Чем сильнее AI-системы встраиваются в продукты, тем выше цена необъяснимой ошибки. Если архитектура позволяет видеть ход переговоров между агентами, у команды появляется шанс быстрее отлаживать систему, а у менеджмента — хотя бы не принимать всё на веру.
Но без холодного душа здесь тоже не обошлось. В профессиональном сообществе уже обратили внимание на слабые места подхода. ADMM исторически хорошо чувствует себя в выпуклых задачах, а здесь в роли агентов выступают нейросети, то есть среда по определению невыпуклая. Из описания не следует, что вопросы выбора шага, устойчивости и сходимости закрыты до конца. Отдельно висит проблема масштабирования: одно дело — аккуратные исследовательские постановки с понятной структурой соседства, и совсем другое — большие гетерогенные системы, где агенты работают на разных типах данных, с шумом и задержками. Иными словами, между эффектным paper-friendly результатом и промышленной архитектурой всё ещё лежит неприятная, но привычная инженерная дистанция.
Тем не менее у работы есть важное достоинство, которое легко потерять за математическими терминами. Sakana AI предлагает не просто новый трюк для бенчмарков, а другой язык разговора о мультиагентных системах. Последние пару лет рынок увлечён агентами, но часто под этим словом скрывается либо оркестратор с набором инструментов, либо несколько LLM, которые пересылают друг другу текст и делают вид, что сотрудничают. Sheaf-ADMM подталкивает дискуссию в более строгую плоскость: что именно обязаны согласовывать агенты, сколько коммуникации для этого нужно и можно ли сделать так, чтобы координация агентов была не только эффективной, но и наблюдаемой. Если эта линия получит развитие, выиграют не только исследователи, но и прикладные команды, которым давно нужен не очередной «умный агент», а понятная схема, как несколько агентов должны работать вместе без лишнего театра.
Главный вопрос теперь не в том, впечатляет ли Sheaf-ADMM на трёх задачах, а в том, сможет ли такой подход пережить встречу с более грязной реальностью: шумными данными, разнородными моделями и большими системами, где цена согласования быстро растёт. Если да, у индустрии появится сильный кандидат на роль архитектуры для следующего поколения мультиагентных решений. Если нет, даже тогда работа уже полезна хотя бы тем, что заставляет обсуждать агентов не как модный интерфейс к LLM, а как полноценную задачу инженерной координации.