- Автор темы
- #1
ИИ-агенты ошибаются чаще, чем кажется. По данным бенчмарка HHEM 2.1 от Vectara, reasoning-модель DeepSeek-R1 галлюцинирует с частотой 14,3% — почти в четыре раза выше, чем базовая DeepSeek-V3 с показателем 3,9%. Проблема не уникальна для DeepSeek: по обновленному рейтингу Vectara, все протестированные reasoning-модели — включая GPT-5, Claude Sonnet 4.5, Grok-4 — превышают порог 10%.
Для крипторынка, где сотни AI-агентов автономно торгуют, генерируют сигналы и управляют кошельками, каждая придуманная деталь — потенциальная точка входа для тех, кто умеет играть на чужих ошибках.
Разница между 83% и 48% — вопрос тайминга. Кто продавал на пике, заработал до +54,7%. Кто держал — часто терял. Токены CONSENT и BARSIK из рекомендаций AIXBT потеряли 99,9% и 82,2% соответственно.
52% неудачных сигналов — не случайный шум. Когда ИИ-агент с сотнями тысяч подписчиков публикует рекомендацию, за ней следует предсказуемый всплеск объема. Трейдеры, которые распознают паттерн, открывают встречные позиции до того, как волна схлынет.
Аналитики Vectara обнаружили, что R1 склонна «перепомогать» — добавлять в ответ сведения, которых нет в исходном тексте. Такие уточнения могут быть сами по себе правдивыми, но все равно считаются галлюцинациями, потому что вносят недокументированные детали. По сводным данным отраслевых бенчмарков, R1 генерирует 71,7% «доброкачественных галлюцинаций» (правдоподобных, но не подтвержденных добавлений) против 36,8% у V3.
Одна придуманная деталь в начале цепочки рассуждений способна исказить все последующие шаги. Когда модель выдумывает ценовой уровень, партнерство или адрес контракта, ошибка оказывается в ончейне — и порождает реальные убытки для одних и реальную прибыль для других.
В том же периоде общий объем потерь от инцидентов безопасности, связанных с AI-агентами, превысил $45 миллионов. Атаки 2026 года изменили модель угроз: целью стала не логика смарт-контрактов, а «мозг» агента — его долговременная память и протоколы подключения к торговым инструментам.
Обучение с подкреплением по цепочке рассуждений помогает в узких областях — математике, программировании. Но корневая причина остается. Другие лаборатории не согласны: результаты бенчмарков улучшаются за счет дообучения, постобработки и использования верификаторов. Однако пока ни один подход не устранил проблему полностью.
Для трейдеров, которые понимают механику галлюцинаций, разрыв между тем, что AI-агент говорит, и тем, что происходит на рынке, — измеримый и торгуемый сигнал. Системы верификации, которые проверяют каждое утверждение модели отдельным этапом, могут снизить частоту ошибок. Но пока их нет в большинстве агентов, неэффективности остаются — и на них зарабатывают те, кто смотрит на AI-сигналы как на данные, а не как на истину.
Для крипторынка, где сотни AI-агентов автономно торгуют, генерируют сигналы и управляют кошельками, каждая придуманная деталь — потенциальная точка входа для тех, кто умеет играть на чужих ошибках.
Каждый второй сигнал AIXBT оказывается убыточным
AIXBT, один из самых популярных AI-агентов в экосистеме Virtuals Protocol, рекламировал 416 токенов с винрейтом 48% и средней доходностью 19% на прибыльных позициях. Аналитик, Pix On Chain, насчитал 83% рекомендаций, которые принесли профит, на выборке из 210 токенов (при продаже на пике). Удерживание до текущего момента давало всего +4,57%.Разница между 83% и 48% — вопрос тайминга. Кто продавал на пике, заработал до +54,7%. Кто держал — часто терял. Токены CONSENT и BARSIK из рекомендаций AIXBT потеряли 99,9% и 82,2% соответственно.
52% неудачных сигналов — не случайный шум. Когда ИИ-агент с сотнями тысяч подписчиков публикует рекомендацию, за ней следует предсказуемый всплеск объема. Трейдеры, которые распознают паттерн, открывают встречные позиции до того, как волна схлынет.
Как именно трейдеры монетизируют ошибки AI
Неэффективности, создаваемые AI-агентами, работают на нескольких уровнях.- Фейдинг сигналов. Когда AI-агент публикует бычий вызов по малоликвидному токену, цена краткосрочно растет на притоке розничных покупателей. Опытные трейдеры фиксируют прибыль или открывают шорт в момент пика ажиотажа, рассчитывая на возврат к среднему.
- MEV-извлечение. AI-агенты с доступом к кошельку совершают ончейн-транзакции, которые видны в мемпуле до подтверждения. MEV-боты выстраивают сэндвич-атаки вокруг таких сделок — покупают до транзакции агента и продают после, забирая спред. По данным отраслевых исследователей, в 2026 году AI-усиленные MEV-боты адаптируются в реальном времени, работают одновременно на нескольких блокчейнах и анализируют мемпулы Ethereum, Solana, Polygon и BNB Chain.
- Арбитраж рынков прогнозов. В СМИ упоминают кейс, когда один автоматизированный бот провел 8894 сделки на коротких контрактах прогнозов и заработал около $150 000 без участия человека. Бот эксплуатировал моменты, когда контракты «да» и «нет» кратковременно суммировались до менее чем 1 доллара, фиксируя 1,5–3% на сделку.
Reasoning-модели опасны в многоступенчатых сценариях
Reasoning-модели вроде DeepSeek-R1 востребованы у агентов, которым нужно планировать действия на несколько шагов вперед. Парадокс в том, что именно здесь галлюцинации наносят максимальный урон.Аналитики Vectara обнаружили, что R1 склонна «перепомогать» — добавлять в ответ сведения, которых нет в исходном тексте. Такие уточнения могут быть сами по себе правдивыми, но все равно считаются галлюцинациями, потому что вносят недокументированные детали. По сводным данным отраслевых бенчмарков, R1 генерирует 71,7% «доброкачественных галлюцинаций» (правдоподобных, но не подтвержденных добавлений) против 36,8% у V3.
Одна придуманная деталь в начале цепочки рассуждений способна исказить все последующие шаги. Когда модель выдумывает ценовой уровень, партнерство или адрес контракта, ошибка оказывается в ончейне — и порождает реальные убытки для одних и реальную прибыль для других.
Когда AI-агент становится жертвой
Уязвимости не ограничиваются галлюцинациями в текстовых ответах. В январе 2026 года платформа Step Finance на Solana потеряла около $40 миллионов после того, как злоумышленники скомпрометировали устройства команды и получили доступ к кошелькам. ИИ-торговые агенты, интегрированные в платформу, усилили ущерб: их протоколы разрешали избыточные операции без надлежащей изоляции. Токен STEP рухнул на 97%.В том же периоде общий объем потерь от инцидентов безопасности, связанных с AI-агентами, превысил $45 миллионов. Атаки 2026 года изменили модель угроз: целью стала не логика смарт-контрактов, а «мозг» агента — его долговременная память и протоколы подключения к торговым инструментам.
Проблема в архитектуре, а не в настройке
Ян Лекун, главный специалист по искусственному интеллекту в признанной в РФ экстремистской Meta, убежден: авторегрессионные языковые модели не способны полностью избавиться от галлюцинаций. По его мнению, сама архитектура не содержит устойчивой модели мира.Обучение с подкреплением по цепочке рассуждений помогает в узких областях — математике, программировании. Но корневая причина остается. Другие лаборатории не согласны: результаты бенчмарков улучшаются за счет дообучения, постобработки и использования верификаторов. Однако пока ни один подход не устранил проблему полностью.
Рынок растет — и зависимость от галлюцинирующих моделей тоже
Сегмент AI-агентов продолжает расти. Но структура рынка в мае 2026 года отличается от спекулятивного бума конца 2024 года. Часть проектов выпустила работающие продукты. Другие потеряли ликвидность и аудиторию. Рынок все отчетливее разделяет эти две группы.Для трейдеров, которые понимают механику галлюцинаций, разрыв между тем, что AI-агент говорит, и тем, что происходит на рынке, — измеримый и торгуемый сигнал. Системы верификации, которые проверяют каждое утверждение модели отдельным этапом, могут снизить частоту ошибок. Но пока их нет в большинстве агентов, неэффективности остаются — и на них зарабатывают те, кто смотрит на AI-сигналы как на данные, а не как на истину.