llm-time-sense-organs
компактные нейросети для восприятия времени без часов
2 min readupdated
Набор из четырёх лёгких GRU-моделей (рекуррентных нейросетей, сохраняющих состояние между шагами) из исследования llm-time-sense. Сети делают по одному шагу на каждый «удар сердца» симуляции, видят только последний кадр виртуального города и не получают никаких таймеров, счётчиков шагов или меток времени. Проект от автора Alex3318 показывает, как агенты могут сами калибровать ощущение скорости мира по визуальным изменениям и предсказанию будущих кадров. Пригодится исследователям ИИ, когнитивного моделирования и тем, кто разрабатывает автономных агентов.
Ключевые особенности
- Без системных часов: модели оценивают ход времени и скорость течения событий исключительно по динамике окружения.
- Сверхлёгкая архитектура: внутри всего один слой GRU на 256 нейронов и линейный входной слой (размерность 612 или 259).
- Четыре режима обучения: две модели обучались с учителем (на фиксированном и случайном пульсе 40–160 шагов/с с калибровкой в «детстве»), а две — только через предсказание будущего кадра.
- Готовый формат safetensors: чекпоинты сконвертированы из PyTorch в безопасный формат вместе с JSON-конфигами.
Что можно сделать
- Воспроизвести эксперименты по восприятию времени: загрузить веса в среду симуляции из репозитория
llm-time-senseи протестировать самокалибровку агентов при разной скорости мира. - Изучить эмерджентное кодирование времени: исследовать с помощью линейных зондов (linear probe), как внутри скрытого состояния GRU формируется представление о скорости без явной разметки.
- Адаптировать идею для своих симуляций: использовать архитектуру
TimeNetкак лёгкий модуль внутреннего ритма для агентов в виртуальных средах.
Пример
import json, sys
from safetensors.torch import load_file
sys.path.insert(0, "experiments/research/code")
import models
meta = json.load(open("research-a-stage2-supervised-random-heartbeat.json"))
net = models.TimeNet(**meta["config"])
net.load_state_dict(load_file("research-a-stage2-supervised-random-heartbeat.safetensors"), strict=True)Подробнее
Качество: на реалистичном городе модель без меток времени (research-c) показывает R² 0.943 для логарифма скорости мира (у необученной −0.010).Точность с учителем: медианная ошибка на 64 тестовых городах составляет +4.7% (10x), −1.5% (100x) и +1.9% (2000x).
Железо и обучение: каждая модель обучалась на одном GPU за 25–50 минут на синтетических городах; для
TimeNet2 требуется библиотека numba.Ограничения: работает только в симулированных мирах, не экстраполирует скорость выше 2000x, лицензия Apache-2.0.










Comments