لابراتوار
۵ مقاله که به این لابراتوار مربوط است. جستجو و فیلتر در همین فهرست
سنجیدن حافظه‌ی ایجنت با پرسش و پاسخ کافی نیست؛ باید خود حافظه را بازرسی کرد
بنچمارک‌های حافظه‌ی ایجنت معمولاً می‌پرسند آیا جواب ایجنت به سؤال درست است، و از روی آن درباره‌ی کیفیت حافظه قضاوت می‌کنند. اما این روش سه چیز را با هم قاطی می‌کند: درستی حافظه، کیفیت بازیابی و کیفیت تولید جواب. گاهی جواب درست است در حالی که حافظه خراب است (مد
هارنس و محیط اجرایی قابل تأیید به زبان Lean ۴، که برگشت‌پذیری را مبنای کنار گذاشتن انسان از حلقه می‌کند
کار مفید ایجنت‌ها در طول ساعت‌ها و روزها، از راه ابزارها، بین ایجنت‌های متعدد و انسان‌ها، و بیشتر با کدی که خود ایجنت‌ها می‌نویسند انجام می‌شود. از سه شرکت‌کننده‌ی این محاسبه، یعنی انسان، مدل و کد، فقط توجه انسان مقیاس‌پذیر نیست؛ پس محاسبه فقط وقتی بزرگ می‌شود
ایجنت کدنویسی که پیش از هر اقدام نتیجه‌اش را پیش‌بینی می‌کند و از درستیِ پیش‌بینی‌اش پاداش می‌گیرد
بیشتر ایجنت‌های کدنویسی پیش‌بینی نمی‌کنند هر اقدامشان چه نتیجه‌ای دارد. پاداش پایانی هم شکست را به قدم مشخصی نسبت نمی‌دهد، پس یک ویرایش اشتباه می‌تواند پیش از رسیدن هر سیگنالی وضعیت ریپو را خراب کند؛ مثلاً ویرایشی که تست هدف را پاس می‌کند ولی تستی را که قبلاً
چه کسی تأییدکننده را تأیید می‌کند؟ هم‌تکاملی داورهای قابل بازرسی با ایجنت‌های خودبهبود
هر حلقه‌ی خودبهبودی ایجنت صدها بار می‌پرسد «آیا تغییر واقعاً ایجنت را بهتر کرد؟» و پاسخ از یک تأییدکننده می‌آید. در تسک‌های باز چنین تأییدکننده‌ای وجود ندارد، پس حلقه به یک معیار دست‌نوشته یا داور مدل زبانی ساده سپرده می‌شود که خروجی مدلی شبیه خودش را داوری می
اطمینان نیابتی: ممیزی ایجنت‌های جعبه‌سیاه با احتمال‌های لگاریتمی یک مدل جانشین
ایجنت مستقر فراخوانی ابزار، پرس‌وجو و کدی تولید می‌کند که می‌تواند بی‌صدا غلط باشد و تا خطا آشکار شود، عمل اجرا شده است. رابط‌های برنامه‌نویسی مدل‌های پیشرو احتمال توکن‌ها را پنهان می‌کنند، اطمینان اعلام‌شده‌ی ایجنت در خطاهای مهم به‌سختی از شانس بهتر است، و نم