هوش مصنوعی
پژوهشگران: تکامل عامل‌محور می‌تواند مسیر سازگاری پیوستهٔ مدل‌های زبانی باشد
یک پیش‌چاپ در arXiv استدلال می‌کند که آموزش ثابت و روش‌های معمول سازگاری، برای تغییرات محیط‌های واقعی کافی نیستند؛ نویسندگان چارچوبی به نام A-Evolve پیشنهاد می‌کنند.
مدل‌های زبانی بزرگ پس از استقرار با محیط‌هایی روبه‌رو می‌شوند که پیوسته تغییر می‌کنند؛ اما آموزش ایستا نمی‌تواند هم‌پای این تغییرات پیش برود. نویسندگان مقالهٔ پیش‌چاپ «Position: Agentic Evolution is the Path to Evolving LLMs» می‌گویند افزایش محاسبات در زمان آموزش یا اجرا، توانایی ثابت مدل را بهبود می‌دهد، اما شکاف میان آموزش و استقرار را برطرف نمی‌کند.
به‌گفتهٔ پژوهشگران، روش‌هایی مانند تنظیم پارامترها پس از استقرار یا انباشتن حافظهٔ مبتنی بر قواعد، عاملیت راهبردی لازم برای تشخیص شکست‌ها و ایجاد بهبودهای ماندگار را ندارند. آن‌ها تکامل عامل‌محور را رویکردی می‌دانند که در آن به‌جای یک فرایند ثابت، عامل مستقلی مسئول بهبود مدل می‌شود.
نویسندگان این ایده را در چارچوبی با نام A-Evolve صورت‌بندی کرده‌اند: بهبود پس از استقرار در این چارچوب فرایندی هدف‌دار برای بهینه‌سازی وضعیت پایدار سیستم است. آن‌ها همچنین «فرضیهٔ مقیاس‌پذیری تکامل» را مطرح می‌کنند؛ بر اساس آن، ظرفیت سازگاری با میزان محاسباتی که به فرایند تکامل اختصاص می‌یابد افزایش پیدا می‌کند. این مقاله موضع پژوهشی نویسندگان را بیان می‌کند و در arXiv به‌صورت پیش‌چاپ منتشر شده 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