HuggingFace и Intel выпустили DeepMath: лёгкий AI-агент для математических задач

Компании HuggingFace и Intel совместно представили DeepMath — компактного агента для математических рассуждений, построенного на базе фреймворка smolagents. Это решение позволяет выполнять сложные вычисления и верификацию с помощью открытых языковых моделей и внешних инструментов, таких как Python и SymPy. DeepMath знаменует собой шаг к демократизации AI для точных наук, делая мощные математические возможности доступными на локальных устройствах.

Как работает DeepMath

DeepMath использует архитектуру агента, который может обращаться к внешним инструментам для выполнения вычислений и проверки результатов. В основе лежит фреймворк smolagents от HuggingFace, специально разработанный для создания лёгких AI-агентов. Агент поддерживает интеграцию с Python REPL, Wolfram Alpha и SymPy, что позволяет ему генерировать код, выполнять пошаговые рассуждения и верифицировать ответы. Модели, используемые в DeepMath, имеют размер до 7 миллиардов параметров, что значительно меньше, чем у гигантских моделей вроде GPT-4, но при этом они показывают высокую точность на математических бенчмарках.

Почему DeepMath важен для образования и науки?

DeepMath демонстрирует, что компактные модели с доступом к инструментам могут конкурировать с крупными решениями в специализированных задачах, таких как математика. Это снижает порог входа для использования AI в образовании, научных исследованиях и инженерных расчётах. Учителя могут применять DeepMath для автоматической проверки решений, студенты — для изучения сложных тем, а исследователи — для быстрого прототипирования и верификации гипотез. Открытость решения способствует развитию сообщества и позволяет адаптировать агента под конкретные нужды.

Какие задачи решает DeepMath?

DeepMath способен выполнять широкий спектр математических операций: от простых арифметических вычислений до сложных символьных преобразований и доказательств. Агент использует пошаговые рассуждения, генерируя код на Python и обращаясь к SymPy для символьных вычислений. В тестах на бенчмарках MATH и GSM8K DeepMath показал высокую точность, сравнимую с более крупными моделями, но при этом требует значительно меньше вычислительных ресурсов. Это делает его идеальным для использования на локальных устройствах, включая ноутбуки и даже некоторые мобильные платформы.

Какие модели лежат в основе DeepMath?

DeepMath использует открытые языковые модели, такие как варианты Llama и Mistral, доработанные для математических рассуждений. Intel внесла свой вклад в оптимизацию этих моделей для работы на процессорах Xeon и Arc GPU, обеспечивая высокую производительность на оборудовании Intel. HuggingFace, в свою очередь, предоставила инфраструктуру для интеграции с smolagents и инструментами. Такой симбиоз позволяет достичь эффективности без привязки к проприетарным облачным сервисам.

Кого затронет появление DeepMath?

Разработчики AI-агентов получают готовый пример реализации лёгкого агента с инструментальной поддержкой. Преподаватели математики и естественных наук могут использовать DeepMath для создания интерактивных учебных помощников. Исследователи в области AI и математики — для автоматизации рутинных вычислений и проверки гипотез. Кроме того, DeepMath интересен энтузиастам, которые хотят запускать AI на своём оборудовании без доступа к облачным API.

Что пока неизвестно о DeepMath?

На данный момент не опубликованы точные бенчмарки и сравнения с другими агентами, такими как GPT-4 с плагинами или специализированными решениями. Также нет ясности по планам дальнейшего развития: будет ли DeepMath поддерживаться сообществом, какие улучшения ожидаются в следующих версиях и как будет распространяться — как открытый проект или через коммерческие лицензии. Однако уже сейчас ясно, что DeepMath задаёт тренд на компактные, инструментально-ориентированные AI-агенты для точных наук.