هوش مصنوعی
Learner2Skill شبیه‌سازی رفتار یادگیرنده را به مهارتی قابل‌بازیابی تبدیل می‌کند
این روش، به‌جای بازخوانی مداوم تاریخچهٔ تعامل‌ها، وضعیت یادگیری و الگوهای پاسخ فرد را در یک مهارت پایدار نگه می‌دارد؛ مهارتی که می‌توان آن را با تنظیمی سبک به مدل‌های زبانی دیگر منتقل کرد.
پژوهشگران در پیش‌چاپی در arXiv روش Learner2Skill را برای شبیه‌سازی رفتار یک یادگیرنده روی تکلیف‌های جدید معرفی کرده‌اند. روش‌های پیشین، بنا بر توضیح مقاله، معمولاً برای بازسازی ویژگی‌های یادگیرنده باید تاریخچهٔ رو‌به‌رشد تعامل‌های او را بارها پردازش کنند؛ کاری که هزینهٔ پردازش زمینه و استنتاج را افزایش می‌دهد و استفادهٔ دوباره از قابلیت شبیه‌سازی در مدل‌های زبانی مختلف را دشوار می‌کند.
Learner2Skill این قابلیت را از تاریخچهٔ تعامل‌ها استخراج و در قالب یک «مهارت شبیه‌سازی» پایدار و قابل‌استفادهٔ مجدد نگه می‌دارد. مهارت، وضعیت فعلی یادگیری و الگوهای تکرارشوندهٔ پاسخ را ثبت می‌کند و با رسیدن تعامل‌های واقعی تازه به‌روزرسانی می‌شود. برای استفاده از آن در یک مدل زبانی جدید نیز، به‌جای بازسازی یادگیرنده از ابتدا، تنظیم سبکِ اجراکنندهٔ مهارت کافی است.
طبق نتایج گزارش‌شده در چکیده، این روش رفتارهای جزئی‌تر یادگیرنده را وفادارانه‌تر بازتولید می‌کند و هزینهٔ کلی توکن را کاهش می‌دهد. پژوهش همچنین می‌گوید مهارت‌های ساخته‌شده را می‌توان میان اجراکننده‌های مختلف مدل زبانی به‌طور مؤثر به‌کار گرفت.
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