Исследовательский проект локального искусственного интеллекта
Frozerti
Исследуем ИИ, который умеет больше в пределах доступных ресурсов.
Мы изучаем, как сохранять полезные способности языковых моделей при ограниченной памяти и вычислениях. Разрабатываем экспериментальные решения, проверяем их на новых задачах и ведём публичный журнал наблюдений, исправлений и повторных проверок.
Стадия: исследования и экспериментальная разработка
Проблема
Полезный ИИ в пределах ресурсов устройства
Память, вычисления и время ответа ограничивают возможности локального помощника. При этом на устройстве должны работать контекст разговора и другие программы.
Мы ищем способ тратить меньше ресурсов и сохранять при этом качество ответов. Каждое решение проверяем в сопоставимых испытаниях.
Что учитываем
- 01
Память
Доступная память должна покрывать работу модели, контекст и программы рядом с ней.
- 02
Передача данных
Перемещение данных тоже требует времени и может стать ограничением.
- 03
Время ответа
Помощник должен решать задачи достаточно качественно и за разумное время.
Идея Frozerti
Большой набор возможностей. Меньше в видеопамяти.
Мы исследуем модель, в которой для текущей задачи в VRAM требуется лишь небольшая часть экспертов. Эксперты — части модели с разными возможностями. Цель — уменьшить потребность в видеопамяти, сохранив качество и скорость ответа.
01
Набор экспертов
Возможности модели
Модель располагает широким набором экспертов — частей с разными навыками. Одному запросу обычно нужна лишь небольшая их доля.
02
Текущая задача
Нужна лишь часть
Под каждый запрос задействуются только те эксперты, которые нужны именно для него.
03
Рабочая память
Небольшая часть в VRAM
В видеопамяти находится только эта рабочая часть. Остальные эксперты не занимают её, пока не понадобятся.
04
Полезный ответ
Качество и скорость
Пользователь получает полноценный ответ с нужной скоростью — на обычном компьютере, без мощного сервера.
Сейчас идея проверяется на небольших экспериментальных моделях — шаг за шагом, с открытым журналом исследований.
Попробовать
Посмотрите, как модель решает задачу
Выберите выдуманный навык и введите цифры. Модель напишет ответ, а подсветка покажет выбранную группу по ходу генерации.
Открыть живое демо ↗Текущая стадия
Где мы сейчас
Проверяем, как экспериментальное решение осваивает новые задачи и переносит результат на незнакомые примеры. Отдельно оцениваем полные ответы и более сложные последовательности.
- 01Исследовательская постановка
- 02Подготовка инструментов
- 03Испытания на новых задачах
- 04Независимое подтверждение
- 05Проверка практической пользы
Последняя повторная проверка показала улучшение на новых задачах: число полностью верных ответов выросло с 10 до 19 из 56.
Следующая цель — многошаговые задачи и устойчивый результат в повторных испытаниях.
Проект находится на стадии исследований: основную идею мы проверяем последовательно, шаг за шагом.
Измеренный результат
Больше полных верных ответов
Повторная проверка · 7 октября 2026 · 56 одиночных задач · самостоятельная генерация полного ответа
Текущая работа
Основные вехи
Сентябрь 2026
Уточнили условия исследования по итогам предварительных испытаний.
Начало октября
Проверили инструмент и подготовили повторное исследование.
7 октября
Получили улучшение на новых задачах: 19 полностью верных ответов из 56 вместо 10.
Журнал
Последние проверки
Весь журналПовторная проверка на новых задачах завершена
В свободной генерации полных верных одиночных решений стало 19 из 56 вместо 10. Сложные последовательности остаются нерешёнными; преимущества над простым сравнительным правилом не установлено.
Критерий следующего этапа пока не выполнен
Повторное обучение не достигло заданного критерия. Продвижение к следующему этапу остановлено.
Проверили частичное исправление
Исправление помогло на части задач. Для проверки переноса подготовлены новые примеры.
Открытые вопросы
Что проверяем дальше
- Q1
Сохранится ли результат в независимых повторениях?
- Q2
Как добиться устойчивого результата на многошаговых задачах?
- Q3
Насколько подход выигрывает у более простых решений?