پژوهش تازه، زمان‌بندی فعالیت‌های عامل‌های هوش مصنوعی را به سه «ساعت» تقسیم می‌کند

پژوهشگران در پیش‌چاپی تازه، لایه‌ای برای سازمان‌دهی زمانی فعالیت عامل‌های پیوسته پیشنهاد کرده‌اند؛ عامل‌هایی که باید هم‌زمان به درخواست‌های فوری پاسخ دهند، گزینه‌های دیگر را حفظ کنند، خطاهایشان را بازبینی کنند و تغییرات ایمن را در بلندمدت ثبت کنند. چارچوب پیشینِ «زندگی دیجیتال» این فعالیت‌ها را به کانال‌های آنلاین و آفلاین تقسیم می‌کرد، اما روشن نبود این کانال‌ها برنامه‌هایی جداگانه‌اند یا فازهای یک فرایند مشترک و چگونه باید ترتیب بگیرند.

چارچوب جدید از دوره‌های کاری کوتاهِ برچسب‌گذاری‌شده با فاز، چرخهٔ کاری قابل مشاهده و کنترل‌های مستقل برای محتوا و منابع استفاده می‌کند. سه مقیاس زمانیِ تو‌در‌تو نیز اکتشاف گزینه‌های اولیه را از تثبیت تغییرات پایدار جدا می‌کنند. پژوهشگران علاوه بر ارائهٔ یک روش به‌روزرسانی چرخهٔ کاری، شرایط تضمین کاهش قطعی تابع هدف و جملهٔ نویزیِ اضافی لازم برای تضمین احتمالاتی را شرح می‌دهند و قراردادهایی برای اجرای هماهنگ حالت‌های مشغول و بی‌کار تعریف می‌کنند.

پنج آزمایش مصنوعی، هرکدام با ۶۴ بذر تصادفی، کاهش تابع هدف و نویز، ناهماهنگی هدف‌ها، عدم تقارن بهره، وابستگی به منابع و حذف گزارش‌های بازپخش را بررسی کردند. در مدل بهره/نویز، بهترین نسبت بهرهٔ آزمایش‌شده ۱٫۵۵ بود. در زیرمجموعه‌ای ساختگی از موقعیت‌های فوری و پُربار، زمان‌بندیِ جداشده به موفقیت ۲۶٫۶درصدی رسید، در برابر ۱۱٫۱درصد برای روش مقایسه‌شده.

نمونهٔ اولیه‌ای مبتنی بر Qwen3-8B با وزن‌های پایهٔ ثابت نیز برای بررسی سازوکار هماهنگ‌سازی به کار رفت؛ اما نویسندگان می‌گویند نتایج جانشین این نمونه، شاهدی بر عملکرد در بنچمارک‌های وظیفه‌ای نیست. به گفتهٔ آن‌ها، یافته‌ها یک طرح زمان‌بندیِ آزمون‌پذیر و شرایط اعتبار آن را مشخص می‌کند، نه آگاهی ماشینی یا برتری عامل‌ها در کاربردهای عمومی.