هوش مصنوعی
پژوهش: شرح کامل آزمایش‌ها می‌تواند بهره‌وری عامل‌های پژوهشی را افزایش دهد
یک پیش‌چاپ arXiv نشان می‌دهد ارزیابی نام اقدامی که عامل هوش مصنوعی انتخاب می‌کند، برای فهمیدن آزمایش واقعی کافی نیست؛ جزئیات مداخله و تعداد تکرارها هم باید مشخص باشد.
پژوهشگران چارچوبی برای ارزیابی «ساخت کنش» در عامل‌های پژوهشی بلندمدت معرفی کرده‌اند؛ چارچوبی که درخواست طراحی کامل آزمایش را با یک قاعدهٔ هزینهٔ مشترک می‌سنجد. به‌گفتهٔ چکیدهٔ مقاله، در ۳۰ وضعیت مصنوعی، درخواست طراحی کامل در دو خانوادهٔ مدل به‌ترتیب بهره‌وریِ قابل‌دستیابی را ۴۶۵٫۹۸ و ۳۲۷٫۹۱ درصد نسبت به خط مبنای انتخاب نام کنش افزایش داد.
نویسندگان همچنین مجموعه‌داده‌ای با ۶۰ سناریوی ارزیابی کنش‌های پژوهشی ساخته‌اند تا داوری تکمیلی انجام دهند. چکیدهٔ در دسترس نتیجه‌های این ارزیابی را بیان نمی‌کند؛ بنابراین دربارهٔ عملکرد مدل‌ها در آن مجموعه نمی‌توان از این منبع نتیجه‌گیری کرد.
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