هوش مصنوعی
SwarmEvolve با ازدحام عامل‌های هوش مصنوعی جست‌وجوی برنامه‌ها را سریع‌تر می‌کند
چارچوب پژوهشی جدید عامل‌ها را در فضای نهفته به کار می‌گیرد و بنا بر ارزیابی پژوهشگران، در ۲۱ مسئله به امتیاز میانگین بالاتری رسیده و زمان رسیدن به بهترین نتایج را کاهش داده است.
در جست‌وجوی تکاملیِ هدایت‌شده با مدل‌های زبانی بزرگ، عامل‌های هوش مصنوعی برنامه‌ها را بارها اصلاح و ترکیب می‌کنند تا راه‌حل‌های بهتر برای مسائل ریاضی و محاسباتی پیدا شود. اما تولید زنجیره‌های طولانیِ متنی در هر دور می‌تواند فرایند را کند کند و حفظ تنوع راه‌حل‌ها نیز به تکرار این کار نیاز دارد.
پژوهشگران در مقاله‌ای پیش‌چاپ در arXiv، چارچوب SwarmEvolve را معرفی کرده‌اند که در هر دور صدها عامل کم‌هزینه را در قالب گروه‌هایی به کار می‌گیرد. عامل‌ها بدون تبدیل استدلال خود به متن، در فضای نهفته کار می‌کنند و با انتقال KV cache اطلاعات را به اشتراک می‌گذارند. هر گروه مسئله را از زاویه‌ای متفاوت بررسی می‌کند؛ یک فیلتر تازگی نیز با سنجش فاصلهٔ بردارهای حالت پنهان، ایده‌های متمایزتر را نگه می‌دارد. ترکیب ایده‌ها هم در همین فضای نهفته انجام می‌شود: عامل خلاصه‌ساز KV cache اعضای گروه‌ها را دریافت می‌کند.
در ارزیابی ۲۱ مسئلهٔ مربوط به کشف ریاضی و محاسبات علمی، SwarmEvolve بالاترین امتیاز میانگین را کسب کرد. طبق چکیدهٔ مقاله، این چارچوب به‌طور میانه در ۳ تا ۸ دقیقه به بهترین امتیازهایی می‌رسد که چارچوب‌های پیشرفتهٔ دیگر طی ۶۰ دقیقه به آن‌ها می‌رسند. پژوهشگران همچنین گزارش می‌کنند که SwarmEvolve با مدل Qwen3 8B در چند مسئله از راه‌حل‌هایی که AlphaEvolve ابتدا با مدل‌های زبانی پیشرفته پیدا کرده بود، بهتر عمل کرده است. مقاله در نسخهٔ پیش‌چاپ منتشر شده و این نتایج به ارزیابی گزارش‌شده در همان پژوهش محدود 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