# Исследователи KempeLab изучили процесс интернализации вычислений в параметрах ИИ-моделей

> Группа учёных из лаборатории Кемпе (KempeLab) при Калифорнийском университете в Лос-Анджелесе представила анализ процесса интернализации — метода обучения моделей встраивать цепочки рассуждений непосредственно в свои параметры.

- Canonical HTML: https://youragents.me/ru/media/news/issledovateli-kempelab-izuchili-process-internalizacii-vychislenij-v-parametrah-ii-modelej
- Markdown: https://youragents.me/ru/media/news/issledovateli-kempelab-izuchili-process-internalizacii-vychislenij-v-parametrah-ii-modelej.md
- Section: Новости
- Published: 2026-07-06T17:37:33+03:00
- Modified: 2026-07-06T17:37:33+03:00

Группа учёных из лаборатории Кемпе (KempeLab) при Калифорнийском университете в Лос-Анджелесе представила анализ процесса интернализации — метода обучения моделей встраивать цепочки рассуждений непосредственно в свои параметры. Работа опубликована в преддверии конференции ICML 2026. 

Исследователи из KempeLab сосредоточились на механизме, который позволяет языковым моделям переходить от явного выполнения многошаговых вычислений к их автоматизированному воспроизведению за счёт оптимизации внутренних параметров. По словам авторов, интернализация может повысить эффективность моделей, сокращая необходимость в промежуточных вычислениях при решении сложных задач.

В основе подхода лежит идея постепенного «поглощения» моделью логических цепочек, которые изначально требуют пошагового развёртывания. Как отметил один из участников исследования, аспирант Калифорнийского университета Лун Ван (Lun Wang), «процесс напоминает обучение человека алгоритму: сначала он выполняет каждый шаг осознанно, затем — автоматически». При этом интернализация не сводится к простому запоминанию, а предполагает структурную перестройку параметров модели.

Работа KempeLab вызвала интерес в сообществе специалистов по машинному обучению, поскольку затрагивает фундаментальные вопросы обобщающей способности моделей. В частности, обсуждается, насколько интернализация может снизить зависимость от внешних подсказок (например, промптов с цепочками рассуждений) без потери точности. Авторы подчёркивают, что метод требует дальнейших экспериментов для оценки долгосрочных эффектов на производительность и устойчивость моделей.

Предварительные результаты исследования были представлены в блоге лаборатории и вызвали дискуссию среди разработчиков крупных языковых моделей. В частности, обсуждается потенциал применения интернализации для оптимизации моделей в задачах, требующих сложных логических выводов, таких как математическое моделирование или анализ данных.

Источники: X-пост Yuntian Deng, 5 июля 2026; блог KempeLab.