CUA-Master چارچوبی برای بهبود تکرارشوندهٔ عامل‌های کار با رایانه معرفی می‌کند

پژوهشگران در پیش‌چاپی در arXiv، چارچوبی به نام CUA-Master معرفی کرده‌اند که هدفش بهبود عامل‌های کار با رایانه (CUA) از راه یک فرایند بازگشتی دومرحله‌ای است. به‌گفتهٔ نویسندگان، توسعهٔ این عامل‌ها با کمبود تنوع، کنترل‌پذیری و قابلیت اتکای داده‌های تعامل روبه‌رو است؛ درحالی‌که روش‌های متعارف بهینه‌سازی بازخورد تکرارشونده ندارند و رویکردهای بهبود بازگشتی موجود اغلب به تجربه‌های تولیدشده توسط خود مدل متکی‌اند.

در چرخهٔ بیرونی، چارچوب داده‌های دنیای واقعی را به‌طور پیوسته وارد فرایند می‌کند و از ضعف‌های آشکارشدهٔ مدل برای هدایت ساخت داده و بهینه‌سازی در دورهای بعدی بهره می‌گیرد. چرخهٔ درونی نیز، طبق چکیدهٔ منتشرشده، داده‌سازی را به‌صورت بازگشتی پیش می‌برد. اطلاعات ارائه‌شده در منبع دربارهٔ جزئیات این چرخه و نتایج ارزیابی چارچوب توضیح بیشتری نمی‌دهد.