Sakana AI выложила QD-Rec — метод рекомендаций с доводами за каждый выбор

Японская Sakana AI¹ представила QD-Rec — метод, в котором языковая модель подбирает компании для покупки, клиентов или научные статьи и к каждому варианту пишет довод, заимствуя идеи из прошлых удачных доводов.

Почему это важно: обычная рекомендательная система выдаёт список кандидатов с баллами, а для решения о сделке важно, зачем выбирать вариант. QD-Rec собирает не один лучший ответ, а набор сильных и непохожих предложений: покупку ради технологий, ради выхода на новый рынок или ради выгоды для текущего бизнеса.

Как это работает: метод опирается на подход Quality-Diversity, который ищет не одно лучшее решение, а много хороших и разных. Цикл повторяется снова и снова:

• Алгоритм решает, кого изучить следующим: кандидатов, по которым уже были хорошие доводы, или тех, кого ещё не смотрели; для этого служит многорукий бандит².
• Модель-автор берёт из архива удачные доводы и переделывает их под нового кандидата или соединяет несколько в один.
• Судья — модель или человек — оценивает новый довод по шкале от 0 до 10.
• Довод с новым углом зрения сразу попадает в архив, остальные сравниваются только с самым похожим и вытесняют его, если оказались сильнее.

Детали: метод проверили на трёх задачах, в примерах доводы писала Claude Sonnet 5, а оценивала GPT-5.6 Terra:

• Поиск покупок для компаний из сферы развлечений и финансов, вроде Walt Disney и JPMorgan Chase, среди 6 300 американских компаний.
• Подбор покупателей для 3D-принтера и онлайн-курсов среди 10 000 вымышленных жителей Калифорнии.
• Подбор статей под интересы исследователя среди 17 500 работ, принятых на недавние конференции по ИИ.

В цифрах: по словам авторов, во многих, но не во всех опытах QD-Rec обходит вариант, который каждый раз пишет доводы с нуля. После 1 000 циклов в задаче о покупках для Walt Disney:

• Средняя оценка доводов в архиве QD-Rec — 2,91 из 10, у варианта с нуля — 2,40.
• В архиве QD-Rec в среднем по пяти запускам оставалось 214 разных рекомендаций, у варианта с нуля — 85.

Интрига: в архиве хранятся и слабые доводы с необычной идеей — авторы называют их ступеньками к удачным. Так было в поиске покупок для JPMorgan Chase:

• Без архива модель отвергла покупку Liberty TripAdvisor, которой принадлежали Tripadvisor, Viator и TheFork: у банка уже есть сервис Chase Travel. Судья поставил 1 балл.
• В архиве лежал довод о покупке авиакомпании Southwest Airlines, тоже на 1 балл: банку трудно по закону владеть авиакомпанией и нести её риски.
• Судья всё же похвалил идею встроить кредиты, платежи и бонусные баллы в покупку путешествий, и QD-Rec перенёс её на Liberty TripAdvisor.
• Новый довод — связать пользователей Liberty TripAdvisor с Chase Travel и баллами Chase и зарабатывать на рассрочке за туры, рестораны и жильё — получил 5 баллов.

Но: авторы сами называют слабые места:

• Модель додумывает факты: она приписала Southwest больше 100 млн участников бонусной программы, хотя сама авиакомпания в июле 2026 года говорила о «почти 100 млн».
• Данные устарели: компании взяты на август 2024 года, а Liberty TripAdvisor в апреле 2025 года купила сама Tripadvisor.
• Модель-судью³ можно обмануть: автор доводов способен набирать баллы, играя на слабостях судьи, а не улучшая содержание.

Что дальше: код и примеры для трёх задач выложены на GitHub. Авторы предлагают дать модели-автору больше данных или исследовательского агента, а судьями сделать сотрудников компании или экспертов.

Предложения о покупках в работе — проверка метода, а не планы компаний и не инвестиционный совет, подчёркивают в Sakana AI.