هوش مصنوعی
WebCatalyst؛ چارچوبی برای آموزش مدل‌ها به ساخت بازی‌های HTML تعاملی
پژوهشگران در پیش‌چاپی در arXiv می‌گویند مدل‌های زبانی کدساز ممکن است صفحه‌های HTML قابل‌اجرا تولید کنند، اما در کیفیت بصری و عملکرد هنگام تعامل ضعف داشته باشند. آن‌ها WebCatalyst را برای ارزیابی این قابلیت‌ها با بازی‌های کوچک معرفی کرده‌اند.
تولید HTML از دستورهای زبان طبیعی یکی از کاربردهای مدل‌های زبانی بزرگِ کدنویس است؛ بااین‌حال، به‌گفتهٔ نویسندگان پیش‌چاپ arXiv با عنوان «Catalyzing Interactive HTML Generation Capabilities via High-Fidelity Reinforcement Learning»، قابل‌نمایش‌بودن یک صفحه لزوماً به معنای عملکرد درست یا تجربهٔ بصری و تعاملی مطلوب نیست. روش‌های پیشین نیز معمولاً بر آموزش با نمونه‌های اختصاصیِ صفحه‌های وب متمرکز بوده‌اند و بهینه‌سازی مصنوعات تعاملیِ پیچیده کمتر بررسی شده است.
پژوهشگران بازی‌های کوچک را بستری چالش‌برانگیز برای سنجش این مسئله قرار داده‌اند؛ زیرا تعامل طولانی‌تر می‌تواند کاستی‌هایی را آشکار کند که در تعامل‌های ساده با صفحه‌های وب پنهان می‌مانند. آن‌ها چارچوب WebCatalyst را معرفی می‌کنند؛ روشی مبتنی بر یادگیری تقویتی از راه تعامل با مرورگر که، به‌گفتهٔ چکیده، سه مؤلفهٔ مکمل دارد. متن در دسترس از منبع فقط نام یکی از آن‌ها را کامل می‌کند: ارزیاب رابط گرافیکی در سطح بازی، برای سنجش تعامل پایدار و ارزیابی رویدادها. اطلاعات چکیدهٔ ارائه‌شده دربارهٔ دو مؤلفهٔ دیگر و نتایج ارزیابی چارچوب کامل نیست.
این مقاله نسخهٔ نخست یک پیش‌چاپ arXiv است و در اطلاعات ارائه‌شده، داوری یا تأیید مستقل نتایج گزارش نشده است.
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