Фронтальные LLM научились создавать собственные целевые инструменты для оптимизации любых задач

Исследование показывает, что современные большие языковые модели способны самостоятельно разрабатывать специализированные инструменты (harnesses) для hill-climbing оптимизации. Эксперименты проведены на базе Gemini 4 Argon, демонстрируя способность моделей к автономному улучшению своих результатов через генерацию кода под конкретные цели.