Инженеры MIT разработали мягкий и гибкий гель, который резко меняет свою проводимость под действием света. По данным MIT, материал относится к области ионотроники — направления, где сигнал передаётся не электронами, как в классической электронике, а ионами. Это особенно важно, потому что именно ионы лежат в основе работы живых тканей, а значит такие материалы могут стать мостом между обычной электроникой и биологическими системами.

В текущей версии разработки мягкий материал может переходить из изолирующего состояния в состояние, которое становится примерно в 400 раз более проводящим под воздействием света. Ключевую роль здесь играют photo-ion generators (PIGs) — фото-ионные генераторы, которые сами по себе способны становиться примерно в 1000 раз более проводящими при освещении. Исследователи встроили такой PIG в полиуретановую резину, получив материал, который реагирует на свет и меняет локальную ионную проводимость.

MIT отдельно подчёркивает, что нынешняя версия материала пока меняет проводимость необратимо, но команда рассчитывает в будущем создать варианты, которые смогут переключаться туда и обратно между изолирующим и проводящим состоянием. Также исследователи хотят разработать подобные мягкие материалы, реагирующие не только на свет, но и, например, на тепло или магнитные поля.

Такие материалы могут оказаться очень полезными для носимых устройств, мягкой робототехники, биосовместимых интерфейсов, биомедицины и систем человек-машина. В этом видео разберём, как работает новый гель MIT, почему ионотроника считается перспективным направлением, и как подобные мягкие материалы могут повлиять на электронику будущего.

Идея MIT очень простая и оттого красивая. Не надо запихивать в модель сразу весь документ. Пусть модель ведёт себя как программист, который работает с датасетом, а не как студент, который пытается выучить учебник за ночь перед экзаменом. Контекст вытаскивается из промпта в отдельную область памяти, как переменная df в Jupyter Notebook. Корневая модель видит только сам вопрос и набор инструментов, через которые она может добраться до данных.

Инструментов всего четыре, и их хватает на любой сценарий аналитика. Peek позволяет заглянуть в первые две тысячи символов и понять структуру. Grep с регулярками выдёргивает только релевантные строки. Partition режет массив на куски нужного размера. И самое важное: модель может рекурсивно вызывать саму себя на этих кусках. Никакого хардкода шагов от человека, никаких заранее прописанных воркфлоу. Стратегию декомпозиции придумывает сама модель, исходя из того, что она увидела при первом заходе.

Простой пример из статьи. У вас 5000 тикетов саппорта и вопрос: сколько обращений по биллингу пришло от пользователей с ID 12345, 67890 и 11111. Обычная LLM получит все 5000 строк сразу, попытается охватить всё, и почти наверняка ошибётся на этапе подсчёта. RLM работает иначе. Сначала peek, чтобы понять формат строки. Потом grep по нужным ID, и из 5000 записей остаётся 50. Дальше рекурсивный вызов на этом подмножестве с задачей классификации. Финальный ответ возвращается наверх, при этом контекст корневой модели всё это время оставался компактным.

Что это даёт на практике. Точность перестаёт зависеть от размера документа, потому что корневая модель никогда не видит его целиком. Контекст становится буквально неограниченным: 10 миллионов токенов? Просто больше уровней рекурсии и более мелкие куски. Логика работы остаётся прозрачной, потому что каждый шаг это явный вызов инструмента. Стоимость падает, потому что десяток коротких вызовов почти всегда дешевле одного гигантского. И главное: метод растёт вместе с моделями.

Если коротко, MIT показал, что грубая сила длинных окон это тупиковый путь. Будущее за моделями, которые умеют смотреть на свои данные сверху, как разработчик на дамп базы, и решать на лету, что именно подгружать. Для всех, кто строит RAG, агентов или ассистентов поверх корпоративных документов, очень хороший повод пересмотреть архитектуру.

Оригинальная статья: https://arxiv.org/abs/2512.24601v1

Код проекта: https://github.com/alexzhang13/rlm

Больше разборов про ИИ и технологии в моём Telegram: https://t.me/ai_machinelearning_big_data

Что конкретно умеет SEAL по статье и тестам авторов. Модель усваивает новые знания в реальном времени, без классического переобучения с нуля. Она восстанавливает деградировавшее знание, то есть способна чинить свои же провалы в памяти. И что важнее всего для тех, кто строит продукты на LLM, у нее формируются устойчивые «воспоминания» между сессиями, а не просто подкрученный контекст в окне.

Для практиков это поворот на сто восемьдесят градусов. Сейчас весь стек вокруг LLM построен на том, что модель замороженная, а память приклеена сбоку через RAG, векторные базы и хитрые промпты. SEAL предлагает другой путь: пусть веса меняются сами, локально и под конкретного пользователя или задачу. Это сразу поднимает кучу вопросов про безопасность, воспроизводимость, аудит и стоимость инференса, но для AI-инженеров это новое огромное поле для работы.

Если копнуть в архитектуру глубже, то ключевая идея в том, что модель сама параметризует процесс адаптации, а не полагается на внешние модули вроде LoRA-адаптеров или отдельных сетей памяти. Self-edit это не просто текст, это план перестройки информации: что переформулировать, какие гиперпараметры оптимизации выставить, какие инструменты подключить для аугментации данных. По сути LLM становится и учеником, и преподавателем одновременно.

Авторы показывают результаты на двух типах задач: внедрение новых знаний и few-shot generalization. На обоих сценариях SEAL обходит классические подходы, где данные просто скармливаются модели «как есть» через fine-tuning или in-context learning. Цифры в статье впечатляют, особенно на continued pretraining, где self-edits дают заметный прирост по сравнению с обычным дообучением на синтетических данных от GPT-4.1.

Что это значит для рынка. Если идея self-adapting моделей закрепится, мы увидим сдвиг от «одна большая модель на всех» к персональным или корпоративным моделям, которые живут вместе с пользователем и постепенно подстраиваются под его данные, стиль и задачи. Это бьет одновременно и по чисто облачным игрокам, и по поставщикам RAG-инфраструктуры, потому что часть их функций уезжает внутрь самой модели.

Полезные ссылки:

Оригинальный пост Matt Dancho в X: https://x.com/mdancho84/status/2048726658622833121

Статья SEAL на arXiv: https://arxiv.org/abs/2506.10943

Сайт проекта: https://jyopari.github.io/posts/seal

Если резюмировать одной мыслью: SEAL это не очередной трюк с промптами, а попытка переизобрести то, как языковая модель вообще существует во времени. И если такая концепция действительно ляжет в основу следующих поколений GPT, то фраза «модель учится на лету» перестанет быть маркетинговым штампом и станет технической реальностью.