🧠 Промпт-дизайн сделал 2B-модель эффективнее 4B как ассистента RL-агента Исследователи изучили, почему небольшие языковые модели проваливаются при попытке направлять обучение агента в частично наблюдаемых средах. Наивное включение SLM через uncertainty-gating приводит к тому, что модель почти никогда не предлагает собственное действие — частота перезаписи близка к нулю. Причина не в недостатке способностей, а в контексте: голый эгоцентричный промпт не даёт модели ни карты, ни истории, лишая её смысла что-либо советовать. Метод ASK+ исправляет это, снабжая Qwen3.5-2B траекторно-осознанным промптом: частично открытая карта, посещённые позиции, история действий и цепочка рассуждений. В результате SLM превращается из пассивного дублёра в консультанта, который иногда оправданно корректирует политику агента. Рост убедителен. На DoorKey успех поднялся с 89% до 93%, на FourRooms — с 53% до 70%, а на HigherLower точность достигла 73.7%, упёршись в верхнюю границу возможностей самой языковой модели. Энтропийный сигнал, используемый для избирательного обращения к SLM, отражает неуверенность в действии, а не в состоянии — и остаётся информативным в POMDP. Масштаб модели оказался вторичен: Qwen3.5-2B не уступает 4B, а во многом и превосходит её. Это довольно громкое заявление в эпоху, когда каждый лишний миллиард параметров принято считать необходимостью. Но вот что выпало из статьи: задержка от вывода SLM на каждом шагу и накопленный счёт за токены — данные, без которых ASK+ остаётся лабораторным решением, а не инженерным паттерном для боевого применения. arxiv_cs_ai #POMDP #SLM #promptdesign #uncertaintygating #Qwen