Обычная генеративная модель хорошо ищет правдоподобные решения, но реальный мир требует большего. Если робот строит маршрут по цеху, траектория, проходящая в нескольких сантиметрах через человека, остается плохой, даже если во всем остальном она оптимальна.
Существующие методы часто заставляют модель соблюдать ограничения на каждом промежуточном шаге генерации. Это повышает безопасность, но одновременно сужает пространство поиска и может ухудшать конечный результат. HardFlow действует иначе: модели разрешают свободнее искать решение, а жесткие требования гарантированно накладываются на итоговый результат.
Для этого задачу превращают в оптимизацию траектории с помощью методов теории управления. В экспериментах с роботами, навигацией и редактированием изображений HardFlow выполнил заданные ограничения во всех тестах и при этом находил более качественные решения, чем методы сравнения. Например, робот-манипулятор избегал столкновений и одновременно выбирал более короткий путь к объекту.
Еще одна важная деталь: систему можно подключать к уже обученной модели без полного переобучения. Это не универсальный «предохранитель для любого ИИ» и не способ удержать автономную систему вроде Mythos внутри периметра. Но принцип важный: в критических задачах правило перестает быть рекомендацией и становится границей, за которой решение просто не принимается.
