Коллаборация Гарварда, Anthropic и QuEra использовала большие языковые модели для открытия квантовых схем, сообщая о снижении затрат ресурсов до 9 100 раз. Этот результат примечателен не столько как заявление о возможностях модели, сколько как кейс о том, как LLM-агенты могут выступать в роли операторов поиска по структурированному пространству проектирования.
Постановка задачи важна для агентной инженерии. Синтез квантовых схем имеет чётко определённое пространство поиска, жёсткие ограничения и вычислимую целевую функцию — это та обстановка, в которой агентные циклы наиболее разрешимы: предложить кандидата, оценить его по симулятору или модели затрат и повторить. Сообщаемая цифра в 9 100 раз — это разница в ресурсах самого процесса поиска, а не оценка на бенчмарке, что делает её напрямую сопоставимой со стоимостью классических или эвристических базовых решений, которые она вытесняет.
Чего предоставленные материалы не устанавливают, так это точного базового уровня, лежащего в основе этого кратного показателя, семейств схем и размеров задач, а также того, как подход масштабируется за пределами описанных случаев. Эти детали определяют, является ли выигрыш общим свойством поиска под управлением LLM в данной области или специфичен для протестированных конфигураций. Для команд, строящих агентные системы, переносимый паттерн — это дизайн цикла: ограниченное представление, дешёвый детерминированный оценщик и агент, который ищет, а не генерирует текст.