Kaikaku.AI представил Epicure — три модели, разделяющие рецептную и химическую сочетаемость ингредиентов

Стартап Kaikaku.AI 31 мая 2026 года представил Epicure: набор из трёх однотипных моделей (Cooc, Chem, Core), различающихся только обучающими данными — совместной встречаемостью в рецептах, химическими профилями из FlavorDB и их комбинированием.

Kaikaku.AI представил Epicure 31 мая 2026 года — исследовательский набор из трёх моделей, который разделяет две логики подбора сочетаемости ингредиентов: «рецептную» (что обычно готовят вместе) и «химическую» (сходство по вкусоароматическим молекулам). Презентацию провели Jakub Radzikowski и Josef Chen. Это важно для разработчиков и исследователей: Epicure даёт явный выбор между рекомендациями, основанными на кулинарной практике, и теми, что опираются на молекулярную близость.

Три варианта модели отличает лишь набор данных обучения: Cooc обучена на совместной встречаемости ингредиентов в рецептах, Chem-на химических профилях из базы FlavorDB, а Core объединяет оба источника. Для корпуса Epicure обработали 4,14 млн рецептов из 11 источников на семи языках; через пайплайн на базе встраиваний Claude и Gemini было очищено ≈200 тыс. исходных терминов до 1 790 стандартизированных ингредиентов.

Различие подходов проявляется в примерах. Для запроса «chicken» Cooc возвращает типичных партнёров по рецепту — чеснок, лук и чёрный перец, тогда как Chem подбирает говядину и свинину как химически близкие белки. Для «basil» Cooc предлагает петрушку, оливковое масло и пармезан, а Chem-орегано, эстрагон и розмарин как близких по ароматике. Модель поддерживает поиск ближайших соседей и «диал» — параметр угла смещения, который плавно смещает соседство в нужном направлении.

В тестах Chem неожиданно точнее фиксирует вкусовые оси (сладкое, кислое, горькое) и пищевые свойства (белок, жир), хотя соответствующие метки не были явно заданы при обучении. Авторы интерпретируют это как эффект «шортката»: химические связи настраивают встраивания так, что они отражают понятия, релевантные для кулинарии, и чётче разделяют региональные кулинарные группы без явной разметки по кухне. у корпуса и базы есть ограничения, которые влияют на применение Epicure в продуктах и R&D. Около половины данных приходится на источники Восточной Азии, тогда как представительство латиноамериканской, восточноевропейской и южноазиатской частей оценивается лишь низкими однозначными процентами. Только примерно треть финальных ингредиентов напрямую привязана к записям в химической базе; остальные получают химический сигнал косвенно через родственные ингредиенты.

Несмотря на мультиязычную направленность, ограниченное покрытие химбазы и нерегулярность корпуса остаются важными факторами при практическом использовании. По сравнению с существующей публичной моделью FlavorGraph, ориентированной на англоязычные рецепты, Epicure рассчитан на мультилингвальный корпус и предоставляет гибкий механизм выбора «режима» рекомендаций — рецептного или химического — с возможностью смещения результатов для тонкой настройки.