ERNIE Evolve od Baidu automatizuje výzkum AI a optimalizaci inferenčních výpočtů

Baidu představilo ERNIE Evolve 9. listopadu 2026 a uvedlo, že systém dosáhl lepších výsledků než veřejné srovnávací výsledky ve třech metrikách NanoChat a NanoGPT a o 33,7 % vyšší propustnosti v jednom testu deterministické inference modelu ERNIE-5.5-Flash. Automatizovaný výzkumný systém vybírá směry výzkumu, upravuje kód AI a ponechává pouze vylepšení, která projdou samostatným hodnocením a kontrolou.

Oznámení se věnuje také probíhající práci na optimalizaci inference pro model ERNIE-5.5-Flash, který se vyvíjí. Systém neslouží pouze k psaní kódu: vybírá směry výzkumu, provádí testy a využívá neúspěchy i úspěchy k řízení dalších iterací.

Výzkumný cyklus s nezávislými kontrolami

Na základě repozitáře, cíle optimalizace a hodnoticích kritérií upravuje ERNIE Evolve kód a spouští experimenty v izolovaných prostředích. Ředitel vnější smyčky vybírá směr a výchozí verzi s využitím Banky zkušeností s předchozími experimenty a Znalostní báze obsahující odborné články, open-source kód a oborové znalosti. Paralelní větve obsahují stromy kandidátních verzí; v každé z nich vybírá Selektor kandidáta a hypotézu a Executor provádí změnu.

O přijetí rozhoduje pevně stanovený Hodnoticí modul a samostatný Recenzent. Hodnoticí modul se nachází mimo repozitář, agenti k němu nemají přístup, vylučuje změny mimo vymezený rozsah a vyžaduje zlepšení překračující práh šumu. Recenzent kontroluje, zda změny odpovídají výzkumnému směru, a odmítá pokusy o zneužití mezer v hodnocení. Kandidáti, kteří se odchylují od daného směru, se nemohou stát nejlepší verzí.

Výsledky ve veřejných srovnávacích testech a zveřejněný kód

Baidu uvádí následující výsledky ve srovnání s veřejnými výsledky použitými při svém hodnocení:

V NanoChat přidalo ERNIE Evolve vedle neuronové sítě dvě predikční větve: jedna využívá statistiky n-gramů z trénovacího korpusu, druhá vyhledává odpovídající dokumenty a předpovídá na základě jejich pokračování. Naučená brána upravuje poměr jednotlivých větví podle jejich výkonu na dřívějších pozicích tokenů.

Repozitář s výsledky zveřejňuje finální kód a protokoly měření; každý protokol obsahuje přímo spuštěný kód nebo jeho identifikátor SHA-256. Uvádí sedm artefaktů jader pro SOL-ExecBench se skóre v rozmezí 0,6669–0,9920; definice úloh a data pracovních zátěží společnosti NVIDIA se znovu nezveřejňují.

Řádek SOL-ExecBench upřesňuje celkové výsledky: ERNIE Evolve nevedlo ve všech uvedených metrikách, ačkoli podle srovnání Baidu v této úloze předčilo Recursive a Hyra-1.0.

Optimalizace inference pro ERNIE-5.5-Flash

Baidu použilo ERNIE Evolve k optimalizaci inference s nízkou latencí na Kunlunxin P800, propustnosti deterministické inference na GPU a rychlosti dekódování jednotlivých požadavků. Většinu výchozích řešení už optimalizovali inženýři a změny musely projít stejnými zátěžovými testy a kontrolami správnosti jako práce předložená inženýry.

Baidu uvádí, že na Kunlunxin P800 zvýšila čtyři výzkumná kola rychlost generování na 623,6 % výchozí hodnoty a zároveň prošla kontrolami správnosti; model i konfigurace nasazení přitom zůstaly beze změny. První kola umožnila používat sloučená hyperpropojení s omezením na varietu a spekulativní dekódování, poté snížila režii plánování a synchronizace na straně hostitelského systému. Oprava směrování ve čtvrtém kole zpřístupnila nízkolatenční cestu DeepEP.

Při trénování s posilovaným učením vyžadovala deterministická úloha, aby generované tokeny a logaritmické pravděpodobnosti byly bitově totožné bez ohledu na složení dávky a odpovídaly přepočtu celé sekvence. Deterministický režim SGLang tyto požadavky splňuje pevným pořadím redukcí, omezuje však využití GPU. Baidu uvádí, že po přibližně třech dnech práce se navíc zkrátila průměrná doba na výstupní token o 26 % a doba do prvního tokenu o 12 %, přičemž determinismus zůstal zachován. Největší jednotlivé zlepšení přinesla náhrada deterministického vzorkování, které spotřebovávalo přibližně 14 % času GPU v každém kroku, jádrem Triton zpracovávajícím části slovníku paralelně.

Při dekódování na GPU pro jednotlivé požadavky Baidu uvádí zvýšení rychlosti o 14,9 % oproti službě, kterou už optimalizovali inženýři, při nezměněné přesnosti. Zlepšení přinesly tři ze sedmi směrů výzkumu. Patřilo k nim využití nativních instrukcí FP16 pro násobení matic FP8 s méně než osmi vstupními řádky a nahrazení sekvenčního procházení expertů dvouúrovňovým plánovačem směsi expertů.

Tyto testy také odhalily přísnější omezení týkající se modulů a determinismu, šum měření srovnatelný s jednotlivými zlepšeními a prostředí zahrnující inferenční enginy, knihovny kernelů, hardwarové zásuvné moduly a skripty pro spouštění služeb. Některé užitečné změny byly menší než úroveň šumu, takže jejich přínos musely ověřit zátěžové testy celého systému, nikoli izolovaná měření kernelů.

Baidu plánuje využít tento postup k optimalizaci trénovacích systémů a následně pomocí metrik schopností modelů řídit automatické generování hypotéz, návrh experimentů a ověřování. Dlouhodobě chce, aby umělá inteligence dokázala identifikovat nedostatky v těchto schopnostech a vytvářet a zdokonalovat evaluační úlohy.

Společnost uvádí, že rekurzivní sebezdokonalování musí zůstat pod lidskou kontrolou a musí být možné je přerušit, přičemž cíle, oprávnění a zdroje musí mít výslovně stanovené meze a bezpečnost se musí průběžně vyhodnocovat pod lidským dohledem. Přechod od pevných technických metrik k hodnocení schopností modelů a návrhu benchmarků staví tyto kontrolní mechanismy pro vyhodnocování a dohled do centra otázky, nakolik lze výzkumnou smyčku rozšířit.