# BATON: новий метод вчить роботів не губити довгі задачі > У препринті arXiv (2608.16889v1) описано метод BATON: агент розбиває довгу задачу маніпулювання роботом на підзадачі, досліджуючи їх замість жорсткого сценарію. - Опубліковано: 18 серпня 2026 р. (2026-08-18T02:41:53.453291+00:00) - Розділ: Мультиагенти - На основі публікації: [arXiv](http://arxiv.org/abs/2608.16889v1) - Видання: AiiN (https://aiin.news) - URL: https://aiin.news/article?slug=baton-%D0%BD%D0%BE%D0%B2%D0%B8%D0%B9-%D0%BC%D0%B5%D1%82%D0%BE%D0%B4-%D0%B2%D1%87%D0%B8%D1%82%D1%8C-%D1%80%D0%BE%D0%B1%D0%BE%D1%82%D1%96%D0%B2-%D0%BD%D0%B5-%D0%B3%D1%83%D0%B1%D0%B8%D1%82%D0%B8-%D0%B4%D0%BE%D0%B2%D0%B3%D1%96-%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D1%96 --- У препринті на arXiv під ідентифікатором 2608.16889v1 з'явився метод BATON — підхід до керування роботом-маніпулятором, розрахований саме на довгі, багатокрокові задачі, де стандартні політики маніпулювання зазвичай ламаються вже на третьому-четвертому кроці. Назва прямо відсилає до естафети: робот не повинен «впустити» контекст задачі, передаючи керування від однієї підзадачі до наступної. Проблема, яку атакує BATON, добре відома інженерам, що будують робото-маніпулятори для складання, пакування чи побутових задач. Модель, натренована end-to-end на демонстраціях коротких дій — взяти предмет, поставити предмет, — деградує, щойно задачу треба розтягнути на десяток кроків: помилки накопичуються, межі між підзадачами розмиті, а сама модель не «пам'ятає», що саме вона вже зробила два кроки тому. [За даними arXiv](http://arxiv.org/abs/2608.16889v1), автори пропонують вирішувати це через agentic subtask exploration — тобто передають частину відповідальності за декомпозицію задачі агенту, який досліджує варіанти розбиття на підзадачі, а не йде за одним жорстко прописаним сценарієм. ## У чому саме проблема «довгого горизонту» для роботів? Головна складність — накопичення помилки. Проста арифметика це ілюструє: якщо кожен крок виконується з імовірністю успіху 95%, то ланцюжок із десяти кроків спрацює лише приблизно у 60% випадків, а довший — ще рідше. До цього додаються типові слабкі місця маніпуляційних політик: - відсутність довгострокової пам'яті про вже виконані дії та стан об'єктів; - розмиті межі між підзадачами — модель не завжди «знає», де закінчується один етап і починається наступний; - неможливість відкотитися й переграти невдалу підзадачу без втрати всього прогресу; - жорсткі, заздалегідь прописані плани, які ламаються від будь-якого відхилення в середовищі. Саме останній пункт і є мішенню BATON: замість фіксованого сценарію — дослідження підзадач. ## Що конкретно означає «агентне дослідження підзадач»? Судячи з назви й опису в джерелі, ідея в тому, що окремий агентний компонент відповідає не за виконання руху, а за пошук робочого розбиття задачі на підзадачі — і за передачу стану («естафетної палички») між ними так, щоб контекст не губився при переході. Це логічне продовження тренду, який уже кілька років живе в LLM-агентах для софту (декомпозиція задачі, дослідження варіантів, відкат при невдачі) — тільки тепер перенесене у фізичний світ, де ціна помилки вища: невдалий крок — це не зайвий виклик API, а реально впущений предмет чи зламана деталь. _Застереження_: детальний опис архітектури, бенчмарків і кількісних результатів BATON у доступному нам матеріалі відсутній — повна анотація препринту нам не була надана. Тому судити про конкретні цифри приросту точності чи назви тестових середовищ ми не можемо і не вигадуватимемо їх заднім числом. ## Кому це може знадобитися вже зараз? Пряма аудиторія — команди, що будують роботів для складання, пакування на складах чи побутових задач (кухня, прибирання), де сценарій дії природно розтягується на 10+ кроків і одна пропущена підзадача ламає весь ланцюжок. Ми вже писали, як [колишні інженери SpaceX будують роботизовану фабрику для сталевих деталей](https://aiin.news/article?slug=ексінженери-spacex-будують-роботизовану-фабрику-для-сталевих-деталей) — і саме в таких виробничих сценаріях надійність довгих ланцюжків дій є вузьким місцем, а не другорядною деталлю. Для дослідників і AI-білдерів, що працюють на межі LLM-агентів і робототехніки, BATON — ще один сигнал: методи декомпозиції задач і дослідження варіантів, які вже стандартні для агентів у софті, активно переносять у фізичну маніпуляцію. Варто стежити, чи з'явиться відкритий код або демо-відео — на момент публікації препринту цієї інформації в доступному нам матеріалі не було. ## Висновок AiiN Наша теза: назва BATON влучно фіксує головну відмінність фізичної робототехніки від софтверних агентів — у коді невдалу спробу можна просто повторити, а в маніпуляції впущена «естафетна паличка» посеред довгого ланцюжка дій часто означає фізично зіпсований результат, який не відкотити назад. Тому дослідження в напрямку agentic subtask exploration цінні не самим фактом «агент планує задачу» (це вже звично для LLM-агентів), а тим, наскільки надійно система відновлюється після часткової невдачі без повного рестарту всієї задачі. Це і є практичний критерій, за яким варто оцінювати подібні роботи, коли з'явиться повний текст статті з бенчмарками. ## Що таке long-horizon manipulation простими словами? Це задачі для робота-маніпулятора, які складаються не з одного руху, а з ланцюжка залежних кроків — наприклад, дістати деталь, зорієнтувати її, вставити, закрутити кріплення. Що довший ланцюжок, то вища ймовірність, що помилка на одному кроці зіпсує весь результат. ## Чим BATON відрізняється від звичайного планувальника задач? За назвою джерела, ключова відмінність — у слові «exploration»: замість одного заздалегідь заданого плану агент досліджує варіанти розбиття задачі на підзадачі. Деталі механізму дослідження та метрик порівняння з базовими підходами в доступному нам матеріалі не наведені. ## Чи є код BATON у відкритому доступі? На момент виходу препринту на arXiv, ідентифікатор якого — 2608.16889v1, інформації про публічний реліз коду чи демонстрацій у наявному нам матеріалі немає. Якщо реліз з'явиться, це буде видно на сторінці препринту. --- Теги: AI, робототехніка, BATON, agenticAI, arXiv Джерело: AiiN — https://aiin.news/article?slug=baton-%D0%BD%D0%BE%D0%B2%D0%B8%D0%B9-%D0%BC%D0%B5%D1%82%D0%BE%D0%B4-%D0%B2%D1%87%D0%B8%D1%82%D1%8C-%D1%80%D0%BE%D0%B1%D0%BE%D1%82%D1%96%D0%B2-%D0%BD%D0%B5-%D0%B3%D1%83%D0%B1%D0%B8%D1%82%D0%B8-%D0%B4%D0%BE%D0%B2%D0%B3%D1%96-%D0%B7%D0%B0%D0%B4%D0%B0%D1%87%D1%96. Цитуючи, посилайтесь на канонічний URL.