Skip to content
RU
HE RU
Вычислительный блок AI с повторяющимися циклами и промежуточными состояниями данных
AI

Apple нашла способ сократить вычисления AI почти вдвое — без переобучения

4 октября 2026 4 минуты чтения
Иллюстрация Aniba, созданная с помощью ИИ. Не является изображением продукта Apple.

Метод LoopCD использует промежуточные состояния циклической AI-модели и в экспериментах сократил forward FLOPs до 48,2% без дополнительного обучения.

Искусственный интеллект часто тратит часть вычислений на промежуточные версии ответа, которые затем почти не используются. Исследователи Apple предложили превратить этот «черновик» в подсказку для финального решения — и в отдельных экспериментах сократили вычислительную нагрузку почти вдвое без переобучения модели.

Новый метод называется LoopCD. Он не делает любую нейросеть мгновенно дешевле, но показывает любопытный путь: иногда AI можно ускорить не новым чипом и не урезанием модели, а более умным использованием уже выполненной работы.

Что именно придумали в Apple

LoopCD работает с особым типом языковых моделей — looped Transformers, или циклическими трансформерами. Обычная большая модель проводит данные через длинную последовательность разных слоёв. Циклическая модель несколько раз пропускает их через один и тот же общий блок.

Это похоже на человека, который перечитывает решение задачи:

предварительный ответ → проверка → уточнение → окончательный ответ.

После каждого прохода у модели уже есть версия следующего слова или токена. Стандартный механизм в основном ждёт последний проход. Авторы работы Apple предлагают сравнить финальный прогноз с более ранним и менее точным. Разница помогает модели сильнее выделить вариант, появившийся после дополнительного «размышления».

Для специалистов это разновидность контрастного декодирования. Но вместо запуска отдельной слабой модели LoopCD получает «слабого эксперта» почти бесплатно — из раннего прохода той же самой модели.

Откуда взялась цифра 48,2%

Исследователи проверили LoopCD на четырёх семействах моделей: Ouro, Huginn, Parcae и Looped‑Qwen3. Сначала метод улучшил результаты при полном количестве циклов. Например, Ouro‑2.6B‑Thinking на математическом тесте AIME 2024 поднялась с 61,88% до 73,33%, а Huginn на HumanEval — с 22,56% до 31,71%.

Затем авторы уменьшили число повторных циклов вдвое. В шести проверенных конфигурациях модель с LoopCD сохранила или превысила среднее качество обычного полного запуска. Расчётный объём прямых вычислений — forward FLOPs — сократился на 22,5–48,2% с учётом накладных расходов самого метода.

Максимальный результат действительно близок к половине. Но это верхняя граница в конкретной тестовой конфигурации, а не универсальная экономия для любого AI.

Меньше FLOPs — ещё не вдвое дешевле

FLOPs показывают объём математических операций. Реальная цена ответа зависит также от оборудования, памяти, передачи данных, размера пакета запросов, загрузки серверов, задержки и энергопотребления.

В работе рассчитано сокращение прямых вычислений, но не показано, что счёт за сервер или электричество уменьшился на 48,2%. Не измерялось и такое же сокращение времени ответа во всех реальных условиях.

Поэтому точная формулировка звучит так: до 48,2% меньше forward FLOPs в протестированных циклических моделях при сопоставимом или лучшем качестве.

Почему LoopCD нельзя просто добавить в ChatGPT

Метод использует особенность циклической архитектуры: один блок выполняется несколько раз, а его ранние и поздние состояния можно напрямую сравнить. Большинство известных коммерческих систем не раскрывают полную архитектуру своих моделей, а исследование не проверяло LoopCD на ChatGPT, Claude или Gemini.

Работа опубликована на arXiv 1 октября 2026 года и пока является препринтом. Авторы показали сильные результаты на тестах, но ещё не массовое внедрение в коммерческий сервис.

Почему такая экономия важна для Израиля

Гонка AI идёт уже не только за более умными моделями. Всё важнее цена каждого ответа. Reasoning‑модели могут выполнять длинные цепочки вычислений, а AI‑агенты — десятки действий подряд. Даже небольшая экономия на одном запросе становится огромной при миллионах запросов.

Для израильских стартапов это особенно интересно. Молодая компания редко может позволить себе вычислительную инфраструктуру масштаба Apple, Google или Microsoft. Если будущие архитектуры смогут давать тот же результат за меньшее число проходов, запуск сложных AI‑сервисов станет доступнее небольшим командам.

Это пока перспектива, а не прямой результат LoopCD. Но направление понятно: конкурировать будут не только размером модели, но и количеством полезного интеллекта, полученного из каждого вычисления.

Старые вычисления могут оказаться новым ресурсом

Самая интересная мысль LoopCD проста: промежуточный результат — не обязательно отходы. Он может подсказать, в какую сторону модель уточняла ответ, и помочь принять финальное решение быстрее.

Если этот принцип выдержит проверку на более крупных системах, AI‑индустрия получит ещё один путь к эффективности без нового обучения. И тогда главный вопрос будет звучать не только «кто построит самую большую модель?», но и «кто получит тот же интеллект за меньшее число вычислений?»

Читайте также