# Разбор статьи «Агентное рассуждение для больших языковых моделей» Термин «ИИ-агент» используется широко, но его значение трактуется по-разному: от чат-бота с поиском до системы, которая планирует задачи и вызывает внешние инструменты. Современные исследования рассматривают различия между этими подходами… Source: https://www.iplexlaw.co.kr/ru/blog/1531924 ГЛАВНАЯ / Новости и аналитика Новости и аналитика Разбор статьи «Агентное рассуждение для больших языковых моделей» Термин «ИИ-агент» используется широко, но его значение трактуется по-разному: от чат-бота с поиском до системы, которая планирует задачи и вызывает внешние инструменты. Современные исследования рассматривают различия между этими подходами… ИИ и программное обеспечение Опубликовано: 2026.09.03 IPLEX Время чтения: 20 мин. Оригинал научной статьи: https://arxiv.org/pdf/2601.12538 Автор: Ким Ёндок, патентный поверенный IPLEX IP Law Firm Термин «ИИ-агент» используется всё чаще, но его значение трактуется по-разному. Одни называют агентом чат-бота с поиском, другие — только систему, которая планирует работу и вызывает инструменты. К этому добавляются механизмы обновления памяти, обучения на опыте и распределения ролей между несколькими агентами. Рассматриваемая статья предлагает общую рамку — агентное рассуждение. Языковая модель не ограничивается однократной генерацией текста: планирование, действия и обучение рассматриваются как единый процесс рассуждения при постоянном взаимодействии со средой. Работа не предлагает одну новую модель, а систематизирует широкий круг исследований, опубликованных до 2025 года. Три ключевые идеи: агентное рассуждение связывает анализ с действиями; авторы выделяют базовые, саморазвивающиеся и коллективные механизмы; одну и ту же функцию можно реализовать через промпты и рабочие процессы во время инференса либо закрепить в модели с помощью обучения с подкреплением или дообучения. Сведения об исследовании «Agentic Reasoning for Large Language Models» — масштабный обзор агентного рассуждения. Среди авторов — Tianxin Wei, Ting-Wei Li и Zhining Liu; в работе участвовали представители Университета Иллинойса в Урбане-Шампейне, Meta, Amazon, Google DeepMind, Калифорнийского университета в Сан-Диего и Йельского университета. Версия arXiv v1 опубликована 18 января 2026 года. Обзор охватывает планирование, инструменты, поиск, обратную связь, память, саморазвитие, мультиагентные системы, приложения, бенчмарки и открытые задачи. Это систематизация исследований и архитектурных подходов, а не экспериментальное доказательство одного нового алгоритма. 1. Общая картина, представленная в документе Первый рисунок объединяет содержание обзора в одну схему. В верхней части показано, как пользователь задаёт задачу, агент решает её, а полученный опыт переносится на другие задачи. В центре сопоставлены традиционный инференс LLM и агентное рассуждение: статический контекст становится динамическим, однократная генерация сменяется взаимодействием со средой, а фиксированное состояние предобученной модели — непрерывным обучением и адаптацией. Рисунок 1. Общая карта агентного вывода. Источник: Tianxin Wei et al., Agentic Reasoning for Large Language Models, Figure 1, p. 2. Нижняя часть картины разделена на четыре основные области. Вверху слева находится аргументация на основе агентов, которая состоит из планирования, инструментария и поиска в Интернете. Верхний правый - это саморазвивающийся агентный вывод с обратной связью, памятью и самоэволюцией. Слева внизу — коллективный мультиагентный вывод, охватывающий назначение ролей, сотрудничество и коэволюцию. В правом нижнем углу показано, как эти функции используются и оцениваются в таких областях, как здравоохранение, финансы, право, образование, робототехника, наука, программное обеспечение, игры и Интернет. Проще говоря, если общий чат-бот является консультантом, который сразу же отвечает на вопрос, система типа агента ближе к менеджеру проекта, который проверяет цель, делит задачи, находит необходимые данные, выполняет инструмент и снова планирует, если результаты неверны. Важно не рассматривать агентов узко, как просто чат-ботов, которые используют инструменты. В этой статье вывод не ограничивается процессом генерации внутренних предложений. Что наблюдать, что принимать решение о следующем действии, как интерпретировать неудачу, какой опыт запоминать и какую информацию обмениваться с другими агентами - все это рассматривается как часть рассуждений. 2. Различия между общими рассуждениями LLM и рассуждениями агентного типа Вывод модели общего языка включает в себя получение набора подсказок и предоставление ответа в одном или нескольких процессах генерации. Даже если вы используете цепочки мыслей или методы для сравнения нескольких кандидатов, если ваша модель на самом деле не влияет на внешнюю среду, это все равно относительно закрытое вычисление. В агентной системе выход модели становится действием, которое определяет следующий вход. Поисковый запрос возвращает результаты, запуск кода — результат выполнения или ошибку, нажатие на веб-странице — новое состояние интерфейса. Агент учитывает наблюдения, корректирует план и действует снова. Поэтому управление состоянием и восстановление на нескольких этапах могут быть важнее качества одного ответа. Обычное рассуждение LLM и агентное рассуждение различаются по входным данным, процессу вычислений, связи с внешней средой, управлению состоянием, обработке ошибок и цели. Обычная LLM получает фиксированный промпт и выполняет однократную генерацию либо ограниченный внутренний поиск решения. Прямого взаимодействия с внешним миром нет, состояние определяется главным образом контекстом диалога. Ошибка обычно исправляется повторной генерацией, а цель состоит в формировании убедительного ответа. Агентное рассуждение использует динамический контекст, меняющийся по результатам действий. Анализ, действие, наблюдение и корректировка повторяются в многошаговом цикле. Система взаимодействует с поиском, API, кодом, браузером или роботом, управляет внешней памятью, состоянием задачи и среды. При ошибке возможны проверка, откат, перепланирование и выбор другого инструмента. Конечная цель — достичь заданного состояния среды. Агентное рассуждение не тождественно цепочке рассуждений. Последняя может расширять внутренние вычисления, тогда как агентная система связывает их с внешними действиями и учитывает результат в следующем решении. Длинный план сам по себе не делает агента эффективным: способность обнаружить ошибочное действие и восстановиться может иметь большее значение. 3. Базовое агентное рассуждение: планирование, инструменты и поиск Базовый уровень объединяет способности, необходимые одному агенту для достижения цели в сложной, но относительно стабильной среде. Авторы выделяют планирование, использование инструментов и поиск. На практике они тесно связаны: планирование выявляет недостающие сведения, поиск их восполняет, а инструменты позволяют выполнить действие. 3.1 Планирование: способность превращать цели в практические шаги Планирование — не просто составление списка. Система оценивает текущее состояние, выбирает следующий шаг, проверяет промежуточный результат и при необходимости меняет план. Авторы рассматривают рабочие процессы, поиск по дереву, формализацию, декомпозицию, внешние инструменты и построение вознаграждений. Рисунок 2. Схематическая классификация методов планирования агентов LLM. Источник: Тот же документ, Рисунок 2, p. 11. Рабочий процесс: заранее выделяются этапы восприятия, рассуждения, выполнения и проверки и определяется задача каждого этапа. Поиск по дереву: возможные действия формируют ветви; перспективные пути исследуются в глубину или ширину с оценкой результатов. Формализация: план представляется не только на естественном языке, но и в виде кода, конечных автоматов, графов или логических выражений. Декомпозиция задач: разделите большие цели на отдельные подцели и определите зависимости и порядок выполнения. Внешние инструменты: в планирование включаются графы знаний, поиск, модели мира, калькуляторы и исполнители кода. Дообучение: вознаграждение за желаемые действия закрепляет способы планирования в самой модели. Для продукта правила восстановления после сбоя важнее внешней сложности плана. Например, при ошибке непосредственно перед оплатой нужно определить, начать ли процесс заново, вернуться к последнему успешному состоянию, запросить подтверждение пользователя или выбрать другой способ оплаты. Именно переходы состояния и восстановление определяют практическое качество агента. 3.2 Использование инструментов: возможность дополнить ограничения модели внешними функциями Языковая модель ограничена в доступе к свежей информации и внутренним данным, точных вычислениях и реальных действиях в интернете. Подключение поисковых API, баз данных, калькуляторов, исполнителей кода и бизнес-систем расширяет её возможности. Одновременно возникают задачи выбора инструмента и момента вызова, формирования правильных аргументов и интерпретации ошибок. Рисунок 3. Разница между существующей системой использования инструментов LLM и агентного типа Источник: Тот же документ, Рисунок 3, p. 15. Обычная LLM слева на рисунке не обращается к внешним инструментам, поэтому её знания могут устаревать, а вычисления — быть неточными. Агентная система справа выбирает инструмент по запросу пользователя, проверяет результат вызова и при необходимости делает новый выбор. Значение имеет весь цикл: выбор, вызов, наблюдение и повторный выбор. Типичные сбои — вымышленное имя инструмента, неверные аргументы, принятие сообщения об ошибке за успех и повторение одного неудачного вызова. Поэтому совместно проектируются проверка схемы, предварительная валидация, ограничения времени и числа повторов, контроль доступа и фиксация происхождения результатов. 3.3 Поиск: возможность самостоятельно найти необходимую информацию В обычной RAG-системе поиск часто выполняется один раз по заранее заданной схеме, после чего формируется ответ на основе найденных документов. Агентный поиск на каждом шаге определяет, когда и что искать, достаточно ли результатов и нужен ли дополнительный запрос. Поиск становится частью рассуждения, а не только предварительной обработкой. Рисунок 4. Сравнение статических RAG и агентных поисковых систем. Источник: Тот же документ, Рисунок 4, p. 18. Я выделил схематическую часть, необходимую для объяснения. Например, агент поиска уровня техники может добавлять классификационные коды или заявителей при избытке результатов, а при их недостатке — расширять синонимы и переходить к более общим понятиям. Он также должен проверять, раскрывают ли найденные документы все существенные признаки. Это выходит за рамки простого пересказа нескольких результатов. Авторы различают поиск, организованный промптами во время инференса, обучение поисковому поведению посредством дообучения или подкрепления и использование структурированных источников, например графов знаний. Эти подходы могут дополнять друг друга в зависимости от задачи системы. 4. Саморазвивающиеся агентные рассуждения: обратная связь, память и расширение способностей Базовый агент ориентирован на выполнение текущей задачи, а саморазвивающийся — на использование опыта в следующих действиях и задачах. В центре этой части обзора находятся обратная связь и память. Первая помогает выявлять ошибки, вторая — учитывать извлечённые уроки в последующих решениях. 4.1 Обратная связь: Как обнаружить и исправить неправильные пути Рисунок 5. Три формы обратной связи агента Источник: Тот же документ, Рисунок 5, p. 21. Выделяются три вида обратной связи. Рефлексия во время инференса позволяет критически оценить и переписать ответ или план без изменения параметров. Адаптация параметров использует траектории или данные предпочтений, закрепляя улучшения в весах. Внешняя проверка — например, тестом кода, проверкой ограничений или симулятором — сообщает об успехе или неудаче и позволяет повторить попытку. Разница состоит в том, где сохраняется эффект обратной связи. Рефлексия часто влияет только на текущий диалог, а адаптация параметров меняет поведение надолго. Внешние проверяющие механизмы позволяют отбирать допустимые результаты даже без подробного объяснения ошибки. Это особенно полезно там, где проверка проста и недорога, например при генерации кода. 4.2 Память: то, что вы оставляете после себя, важнее, чем накопление записей разговора Память агента не сводится к дословному сохранению длинных разговоров. Важны отбор и структура: что записывать, как обобщать, когда извлекать и когда удалять устаревшие сведения. Рисунок 6. Три направления проектирования памяти агента. Источник: Тот же документ, Рисунок 6, p. 24. Я выделил схематическую часть, необходимую для объяснения. Первое направление — использование прошлых диалогов, резюме, рабочих процессов и траекторий выполнения в текущем промпте. Второе — структурированная память, сохраняющая связи сущностей в графах или объединяющая изображения, звук и документы. Третье — обучение самим операциям записи, обновления, удаления и извлечения памяти. Ошибочные сведения в долговременной памяти могут повторно влиять на множество задач. Смешение данных разных пользователей создаёт риск нарушения конфиденциальности и разграничения доступа. Поэтому следует сохранять источник, время создания, оценку достоверности, права доступа, срок актуальности и историю изменений. 4.3 Самоэволюция: способность изменять планы, инструменты и сам поиск Рисунок 7. Как планирование, инструменты и поиск развиваются сами по себе. Источник: Тот же документ, Рисунок 7, p. 28. Я выделил схематическую часть, необходимую для объяснения. Саморазвитие шире однократного исправления ответа. Агент может создавать тренировочные задачи, изменять стратегию планирования по результатам успехов и ошибок, а при нехватке существующих инструментов — создавать новые программные инструменты. В поиске он может запоминать полезные источники и улучшать последовательность запросов. Однако возможности саморазвития не следует переоценивать. Многие исследования ограничены обновлением памяти или политики по фиксированной обратной связи в заданной среде. Это не означает самостоятельного формирования целей и ценностей по аналогии с человеком. Должно быть определено, какие элементы можно менять, какие изменения допустимы и как их отменить при ошибке. 5. Коллективные агентные рассуждения: роли, сотрудничество и коллективная память. Для сложной задачи можно распределить работу между несколькими агентами: один планирует, другой ищет информацию, третий проверяет результат. В обзоре этот подход рассматривается как коллективное мультиагентное рассуждение. 5.1 Распределение ролей: одинаковые промпты не обеспечивают сотрудничество Рисунок 8. Общие роли и отраслевое применение мультиагентных систем Источник: Тот же документ, Рисунок 8, p. 30. Основные роли — руководитель или координатор, исполнитель, критик или оценщик, управляющий памятью и координатор обмена сообщениями. Руководитель делит цель на задачи и отслеживает ход работы. Исполнитель ищет сведения, запускает код и готовит документы. Критик выявляет ошибки и риски. Управляющий памятью систематизирует знания и предотвращает повторение сбоев, а координатор связи контролирует формат и объём сообщений. Например, в юридической работе один агент систематизирует факты, профильный агент анализирует нормы и судебную практику, а проверяющий — источники и логическую согласованность. Само назначение ролей не гарантирует точности. Для каждой роли нужны определённые входы и выходы, границы ответственности, условия остановки и правила взаимной проверки. 5.2 Структура взаимодействия: последовательная, иерархическая, ролевая, автоматически генерируемая Рисунок 9. Взаимодействие агентов во время инференса и взаимодействие, формируемое дообучением. Источник: Тот же документ, Рисунок 9, p. 34. Во время инференса порядок работы и роли задаются промптами или рабочими процессами. При последовательной организации каждый этап получает результат предыдущего; при иерархической центральный координатор управляет подчинёнными агентами. Ролевой подход заранее распределяет специализации, а при автоматическом построении LLM формирует процесс под конкретную цель. При дообучении данные или вознаграждения используются для оптимизации промптов ролей, графа взаимодействия и политики выбора следующего агента. Сложная задача — определить вклад каждого участника в общий результат. Даже при верном итоговом ответе трудно отделить вклад поиска от контраргумента на предыдущем этапе. 5.3 Совместная память: чем будут делиться несколько агентов? Рисунок 10. Четыре аспекта проектирования мультиагентной памяти. Источник: Тот же документ, Рисунок 10, p. 40. Я выделил схематическую часть, необходимую для объяснения. Для нескольких агентов память рассматривается по четырём аспектам: структура, топология, содержание и управление. Структура может быть иерархической или плоской, хранение — централизованным или распределённым, содержание — фактологическим или процедурным. Управление определяет обобщение, удаление устаревшего, фильтрацию и проверку. Обмен информацией расширяет доступный контекст, но увеличивает коммуникационные затраты и риск распространения ошибок. Чрезмерная изоляция ролей, напротив, лишает агентов нужных сведений. В корпоративной среде общую и индивидуальную память разграничивают с учётом персональных данных, коммерческой тайны и полномочий подразделений; для сведений сохраняют источник и историю пересмотра. 6. Настройка поведения во время инференса и дообучение Одна из ключевых классификаций обзора — разделение механизмов по этапу реализации: во время инференса или при дообучении. Это не взаимоисключающие решения. Их сочетают с учётом стоимости, гибкости и устойчивости. При настройке во время инференса веса модели фиксированы, а поведение задают промпты, поиск, рабочие процессы и внешняя память. Подход быстро изменяется и применим к готовым моделям, но зависит от длины промпта, стоимости вызовов и устойчивости выполнения. Он подходит для экспериментов и продуктов с часто меняющимися правилами. Примеры — планирование через промпты, циклы поиска, извлечение памяти, проверка и повторные попытки. Дообучение закрепляет поведение в весах с помощью обучения с подкреплением, дообучения с учителем и обучения по предпочтениям. Это может обеспечить более последовательную и быструю работу в повторяющихся задачах, но требует данных, функции вознаграждения и более дорогих обновлений. Подход применим к массовым задачам и агентам для определённой среды; примеры — обучение вызовам инструментов, поисковой политике и управлению памятью. На практике рабочий процесс можно сначала проверить средствами инференса, затем собрать повторяющиеся успешные траектории и использовать их для дообучения. Обучение всего с нуля повышает стоимость исправлений, а передача всех решений промптам увеличивает расход токенов и задержки. Возможная смешанная архитектура закрепляет базовый выбор инструментов и форматы вызовов обучением, хранит актуальные бизнес-правила и условия пользователя во внешней памяти и политиках, а рискованные действия передаёт на проверку и одобрение человеку. 7. Практическое применение и бенчмарки 7.1 Где применяется? Рисунок 11. Репрезентативные области применения агентного вывода Источник: Тот же документ, Рисунок 11, p. 43. Я выделил схематическую часть, необходимую для объяснения. Обзор охватывает математические задачи и программирование, научные исследования, робототехнику и физически воплощённых агентов, здравоохранение, веб-навигацию и автономный исследовательский поиск. Ограничения зависят от области: для кода важны выполнение и тесты, для медицины — доказательства и ответственная оценка, для роботов — безопасность физических действий и реакция в реальном времени. Математика и программирование: декомпозиция задачи, выполнение кода, тестирование, исправление ошибок и длительная работа с репозиторием. Научные исследования: формирование гипотезы, планирование и проведение эксперимента с помощью инструментов, оценка результатов и повторение цикла. Роботы и физически воплощённые агенты: связь языковой цели с пространственным восприятием и реальным действием, адаптация к изменениям среды. Здравоохранение: взаимодействие специализированных агентов, поиск доказательств, сохранение сведений о состоянии пациента и поддержка безопасного принятия решений. Веб-навигация и автономный поиск: работа с несколькими сайтами и инструментами, проверка сведений и их объединение в результат многошагового исследования. 7.2 Что нужно оценить Рисунок 12. Сфера применения критериев агентного вывода Источник: Тот же документ, Рисунок 12, p. 65. Оценка только итоговой доли правильных ответов может скрывать существенные сбои. Одинаковый результат имеет разную практическую ценность, если агент выполняет десятки лишних вызовов, сохраняет ошибки в памяти или совершает рискованные действия. Авторы рассматривают проверки инструментов, памяти и планирования, а также мультиагентные и прикладные бенчмарки для робототехники, науки, медицины и веб-среды. Для оценки сервиса полезно измерять не только долю выполненных задач, но и точность отдельных шагов, успешность вызовов инструментов, число повторов, среднее время, затраты на токены и API, восстановление после ошибок, повреждение памяти, точность ссылок на доказательства, число вмешательств человека и блокирование рискованных действий. По одной итоговой оценке сложно определить неисправный компонент. 8. Перспектива патентного поверенного, специализирующегося на патентах на искусственный интеллект С патентной точки зрения следует отличать общую концепцию агентного рассуждения от конкретной реализации. Планирование, инструменты, поиск, память и взаимодействие уже представлены во многих исследованиях и открытых фреймворках. Одного перечисления этих компонентов недостаточно для технического отличия. Потенциал охраны может заключаться в решении конкретных затруднений реального продукта: повторных ошибках инструментов, накоплении неверных сведений в памяти, росте затрат на обмен сообщениями, передаче данных пользователя другим агентам или потере промежуточного состояния. Чем точнее сформулирована задача, тем яснее направление патентного анализа. 8.1 Примечательные области технологии Можно выделить шесть направлений. Планирование и управление состоянием требуют анализа представления состояния, переходов между этапами, контрольных точек, границ отката и правил перестроения плана — для снижения накопления ошибок и стоимости перезапуска. При координации инструментов рассматриваются ошибки выбора, неверные аргументы, повторные вызовы и нарушения доступа; существенны нормализация схем, проверка до вызова, динамическая маршрутизация, восстановление по кодам ошибок, полномочия и изолированная среда выполнения. В агентном поиске важны определение необходимости запроса, его переформулирование, оценка надёжности источников, достаточности сведений и условий остановки. Эти механизмы адресуют лишние поиски, недостаток доказательств и противоречивые документы. Управление памятью включает приём записей, обобщение, структурирование, достоверность, срок актуальности, удаление, исправление, доступ и отслеживание источников — для уменьшения ошибок, дублей, смешения персональных данных и задержек. При взаимодействии агентов проектируются роли, топология связи, сжатие сообщений, общее вознаграждение, разрешение разногласий и оценка вклада. Это позволяет работать с коммуникационными затратами, дублированием ролей, неопределённой ответственностью и коллективными ошибками. В управлении и аудите важны журнал действий, проверка политик, этапы одобрения, полномочия по уровню риска, остановка и восстановление, а также воспроизводимые аудиторские записи. 8.2 Отличия раскрываются в условиях работы, а не в названиях компонентов Перечисление «модуля планирования», «модуля памяти» и «модуля проверки» может остаться лишь функциональным описанием. Нужно показать, какое решение принимается, на каком этапе, по каким входным данным и состоянию, какая структура данных обновляется и как выполняется восстановление после сбоя. Опишите состояние: текущую цель, завершённые этапы, непроверенные условия, результаты инструментов, достоверность и полномочия. Определите условия срабатывания: какие правила или пороги запускают дополнительный поиск, перепланирование, одобрение человеком и обновление памяти. Раскройте поток данных: какой модуль получает информацию и в каком формате передаёт её следующему. Измерьте технический эффект: используйте воспроизводимые показатели числа вызовов, задержки, памяти, восстановления и блокирования рискованных действий. Предусмотрите альтернативные реализации: централизованную и распределённую организацию, правила и обучение, одного агента и несколько агентов. Это помогает учитывать изменения рынка. Вывод: От языковых моделей к системам действий Обзор показывает переход от генерации более длинных ответов к системам, которые понимают цель, планируют работу, выбирают инструменты и сведения, запоминают последствия действий, восстанавливаются после сбоев и при необходимости сотрудничают с другими агентами. Рост возможностей агентов повышает требования к проектированию: цепочка ошибочных действий может иметь больший эффект, чем одна неверная фраза. Поэтому наряду с результативностью важны управление состоянием, проверка, полномочия, аудит, качество памяти, остановка и восстановление. Для патентного анализа вывод аналогичен: вместо общих модных терминов нужно выявлять повторяющиеся технические проблемы продукта и конкретные потоки данных и правила управления, которые их решают. Значение имеет архитектура, позволяющая модели действовать безопасно и эффективно, а не только её название. Прочитать корейский оригинал Материал отражает ситуацию на дату публикации. Обратитесь в IPLEX, чтобы обсудить обстоятельства вашего дела. Обсудить этот вопрос ↗ Все статьи ОБРАТИТЕСЬ В IPLEX Обсудите с нами вопросы интеллектуальной собственности Мы рассматриваем ваши технологические и бизнес-потребности вместе. ↗ Связаться с нами Новее Частичная экспертиза промышленных образцов: ускоренное получение охраны ↗ Ранее Товарные знаки на Филиппинах: подача заявок, регистрация и декларации о фактическом использовании ↗ Материалы по теме ИИ и программное обеспечение 2026.10.01 FiX: избирательное забывание признаков в softmax-внимании Патентный поверенный Ким Ёндок рассматривает векторные затворы FiX, устойчивость вычислений и страничный кэш, отделяя результаты экспериментов от открытых вопросов. ↗ Читать статью ИИ и программное обеспечение 2026.09.30 MHAR: выбор информации из предыдущих слоёв по подпространствам признаков Корейский патентный поверенный Ким Ёндок разбирает Multi-Head Attention Residuals: маршрутизацию по глубине, результаты экспериментов, затраты реализации и технические эффекты. ↗ Читать статью ИИ и программное обеспечение 2026.09.28 Колонка в AI Times: как ИИ учится работать с компьютером — анализ патента на обучение агентов В новой колонке для AI Times управляющий партнёр IPLEX Ким Ёндок рассматривает Claude Computer Use и обучение ИИ-агентов на примере патента США № 12 585 862. ↗ Читать статью - https://www.iplexlaw.co.kr/ru - https://www.iplexlaw.co.kr/ru/blog/category/ai - https://arxiv.org/pdf/2601.12538 - https://www.iplexlaw.co.kr/forum/view/1531924 - https://www.iplexlaw.co.kr/ru/contact - https://www.iplexlaw.co.kr/ru/blog - https://www.iplexlaw.co.kr/ru/contact - https://www.iplexlaw.co.kr/ru/blog/1533342 - https://www.iplexlaw.co.kr/ru/blog/1531884 - https://www.iplexlaw.co.kr/ru/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/ru/blog/fix-fine-grained-forgetting-attention - https://www.iplexlaw.co.kr/ru/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/ru/blog/mhar-multi-head-attention-residuals - https://www.iplexlaw.co.kr/ru/blog/claude-computer-use-agent-patent - https://www.iplexlaw.co.kr/ru/blog/claude-computer-use-agent-patent