MatBrain розділив науковий ШІ на «аналітика» й «виконавця» та обійшов важчі моделі в матеріалознавстві
У матеріалознавстві великі мовні моделі часто стикаються з двома різними задачами: потрібно глибоко міркувати про хімію й одночасно правильно викликати спеціалізовані інструменти. MatBrain розділяє ці функції між двома окремими моделями. Одна модель працює як аналітик, інша — як виконавець, що планує інструментальні дії.
Спеціалізація виявилася ефективнішою за одну універсальну модель
Аналітичний модуль Mat-R1 має 30 мільярдів параметрів і фокусується на науковому міркуванні. Mat-T1 із 14 мільярдами параметрів відповідає за координацію інструментів. Разом вони виконували задачі з кристалографії, пошуку властивостей і планування досліджень. Команда показала, що такий поділ функцій може давати конкурентні результати без використання надвеликих моделей на сотні мільярдів параметрів. Автори також аналізували розподіл невизначеності у виходах двох модулів і побачили різні профілі для міркування та планування інструментів.
Локальне розгортання стає реальнішим
Менші моделі дешевше запускати на власній інфраструктурі. Для лабораторій це важливо, якщо дані ще не опубліковані або не повинні покидати локальну мережу. Крім того, спеціалізація полегшує діагностику помилок: якщо система неправильно обрала інструмент, це одна проблема; якщо хибно інтерпретувала результат — інша. Для матеріалознавства це важливо ще й через високу ціну помилки: неправильно запланований синтез витрачає реагенти й час обладнання. MatBrain показує, що майбутнє наукових агентів може бути не лише в масштабуванні, а й у правильному розподілі ролей між компактнішими моделями.
Для практичного використання цей результат потрібно перевіряти на незалежних даних і в умовах, близьких до реального сценарію. Саме зовнішня валідація показує, чи переноситься лабораторна перевага на повсякденну роботу системи без прихованих побічних ефектів.
Важливо, що система орієнтована не тільки на відповідь у чаті. Виконавчий модуль може викликати наукові інструменти, працювати з кристалічними структурами та повертати результат аналітичному модулю для подальшого висновку.
Такий цикл наближає AI-агента до реального наукового асистента: він не просто цитує довідник, а може організувати послідовність дій і перевірити, чи узгоджується отриманий результат із початковою гіпотезою.
