У рамках технічного експерименту, проведеного моєю командою та інженерами Nvidia, модель Cosmos 3 Nano продемонструвала вражаючий стрибок продуктивності. Спочатку точність моделі на тесті з чотирма варіантами відповідей становила 54,41%. Однак менш ніж за 24 години, завдяки автономній роботі ШІ-агента Codex, цей показник було підвищено до 93,35%.
Ключовим фактором успіху стало використання спеціалізованого датасету Woven Traffic Safety від Woven by Toyota, що містить понад 8000 прикладів відео дорожніх ситуацій із запитаннями. Агент Codex, діючи за заздалегідь підготовленими інструкціями з набору інструментів Nvidia TAO, самостійно оцінив базову модель і обрав метод донавчання LoRA (Low-Rank Adaptation).
Цікаво, що Codex не просто запустив процес. Він проявив аналітичні здібності: виявив відсутній параметр частоти кадрів у конфігурації датасету, виправив його, завантажив ваги моделі та запустив навчальний контейнер. Перший прогін LoRA на восьми прискорювачах NVIDIA A100 (80 ГБ) зайняв лише 30 хвилин і підняв точність до 87,14%.
На другому етапі розробники задіяли TAO AutoML для байєсівської оптимізації гіперпараметрів. Система провела 43 паралельних випробування, підбираючи швидкість навчання, розмір пакета та параметри LoRA. Найкращий результат у 93,35% було досягнуто за 19,5 години на кількох вузлах A100 в Oracle Cloud Infrastructure.
Важливо підкреслити: хоча агент діяв автономно, його можливості були обмежені заздалегідь заданими інструкціями. Він не генерував нові стратегії, а лише виконував визначений робочий процес. Крім того, показник 93,35% стосується конкретного дослідницького датасету і не є індикатором безпеки реального автономного водіння.
Моя експертна оцінка: Даний експеримент демонструє зрілість технологій автоматизації машинного навчання. LoRA в поєднанні з AutoML дозволяє економити до 7 разів GPU-годин порівняно з повним донавчанням. Однак ключовий висновок тут — не стільки точність, скільки швидкість ітерації. Можливість за добу пройти шлях від базової моделі до високоточного спеціалізованого рішення — це прорив у MLOps, який значно прискорить впровадження ШІ в промислові сценарії.