هوش مصنوعی
TSBPO؛ روشی درختی برای آموزش عامل‌های زبانی تعاملی
پیش‌چاپی در arXiv چارچوبی برای نمونه‌گیری هدفمند، نسبت‌دادن بازخورد دیرهنگام به تصمیم‌ها و تجمیع زیان کنش‌های چندتوکنی معرفی می‌کند.
پژوهشگران در پیش‌چاپی با عنوان «TSBPO: Tree-Structured Branching for Policy Optimization in Interactive Language Agents» روشی برای آموزش عامل‌های زبانی تعاملی از پیامدهای نهایی کارها ارائه کرده‌اند. این روش سه مسئله را در یک چرخهٔ آموزش هدف می‌گیرد: انتخاب ادامه‌های مناسب از کارها و وضعیت‌ها، نسبت‌دادن بازخوردِ با تأخیر به تصمیم‌ها و تجمیع زیان توکن‌ها در کنش‌های چندتوکنی.
در TSBPO، تخصیص‌دهنده‌ای به نام Root/Branch با برازش درست‌نمایی و استفاده از شواهد باقی‌مانده دربارهٔ کارها و وضعیت‌ها، ادامه‌هایی را برمی‌گزیند که احتمال ایجاد پیامدهای نهایی متفاوت در آن‌ها بیشتر است؛ آن هم با بودجهٔ ثابت برای اجرای مسیرها. سپس درخت‌های فیزیکیِ بازپخش‌شده مبنای محاسبهٔ مزیت‌ها قرار می‌گیرند: مزیت مسیر، بخش‌های بلافاصله هم‌سطح در شاخه‌های خواهر را مقایسه می‌کند و مزیت گامِ گروه‌بندی‌شده بر پایهٔ مشاهده، پیامدها را در وضعیت‌های همسانِ کار و مشاهده می‌سنجد. چکیدهٔ در دسترس دربارهٔ نتیجه‌های ارزیابی یا عملکرد روش جزئیاتی ارائه نمی‌کند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده