آرشیو کانال تکینگی
این‌جا هر مقاله‌ای هست که کانال پیدا کرده، در خبرنامه گذاشته یا برای بعد نگه داشته، با خلاصه‌ی فارسی هرجا که نوشته شده. خبرها، دایجست‌ها و پست‌های دیگر کانال این‌جا نیستند.
دستور باز انویدیا برای «میان‌آموزش»: آماده کردن مدل پایه برای آموزش ایجنتی
مدل‌های پیشرو حالا بین پیش‌آموزش و پس‌آموزش یک مرحله‌ی «میان‌آموزش» دارند، اما تقریباً چیزی درباره‌ی نحوه‌ی ساختنش منتشر نشده است. پیش‌آموزش معمولاً با کانتکست کوتاه انجام می‌شود و تقریباً هیچ تعامل ایجنتی نمی‌بیند. داده‌ی آموزش نظارت‌شده هم بیشتر ساختگی است،
مدل بینایی-زبانی که برای استدلال، با یک مدل جهانِ ویدئویی صحنه‌های تازه «تصور» می‌کند
از مدل‌های بینایی-زبانی انتظار می‌رود درباره‌ی حرکت، کنش و تغییر زاویه‌ی دید استدلال کنند، حتی چیزهایی که در تصویر ورودی نیست؛ مثلاً «اگر از پشت میز نگاه کنی، لیوان سمت چپ است یا راست؟». مدل‌های جهانِ ویدئویی می‌توانند تصویر یا ویدئوی تازه بسازند و شاهد بصری ا
چارچوبی که تشخیص می‌دهد گلوگاه ایجنت کجاست و روال بهبود مناسب همان را انتخاب می‌کند
روش‌های خودبهبودی ایجنت‌ها چند نوع‌اند: بهینه کردن مدل، تکامل هارنس، یا اصلاح ساخته‌های اجرایی مثل کد ابزارها. اما گلوگاه کارایی یک ایجنت در طول زمان عوض می‌شود؛ امروز مشکل در پرامپت است و فردا در یک ابزار. چالش این است که روال بهبود با گلوگاه فعلی تطبیق پیدا
خلاصه‌ی فارسی هنوز نوشته نشده است.
ساختن محیط‌های تمرین برای ایجنت‌های تحلیل داده از صفر: اول دنیای پشت فایل‌ها، بعد خود فایل‌ها
ایجنت‌های داده با کدنویسی فایل‌های ناهمگون را پردازش می‌کنند و از آن‌ها نتیجه‌ی تحلیلی می‌گیرند. آموزش این ایجنت‌ها در مقیاس بزرگ سخت است: ساختن محیط گران است، داده‌ی واقعی محدودیت حریم خصوصی و مالکیت دارد، و بررسی درستی یافته‌های باز وقتی حقیقت پشت داده معلوم
تقطیر تغییرات یادگیری تقویتی از معلم به شاگرد، فقط در جاهایی که جهت تغییر ثابت مانده
یکی از راه‌های انتقال اثر یادگیری تقویتی از یک مدل معلم به شاگرد این است که تفاوت احتمال‌های معلم قبل و بعد از یادگیری تقویتی را روی پاسخ‌های خود شاگرد به عنوان نظارت به کار ببریم. اما این تفاوت نهایی نشان نمی‌دهد که ترجیح‌ها در طول آموزش معلم پیوسته عوض شده‌ا
یاد دادن به ایجنت کدنویسی که از اطلاعاتی که همین الان در کانتکستش هست استفاده کند
کدنویسی قابل اعتماد در سطح ریپو یعنی ایجنت نه فقط کد درست بنویسد، بلکه محدودیت‌ها را در طول تعامل طولانی رعایت کند و به بازخورد ابزارها واکنش نشان دهد. تحلیل نویسنده‌ها نشان داد ایجنت‌ها اغلب به اطلاعاتی که همین حالا در کانتکست دارند عمل نمی‌کنند؛ مثلاً پیام خ
مدل قوی به جای نوشتن هر قدم ایجنت، فقط قدم‌های نوشته‌شده‌ی مدل ضعیف را بازبینی کند
ایجنت‌ها کارها را با رشته‌های طولانی فراخوانی ابزار حل می‌کنند و معمولاً یک مدل قوی همه‌ی قدم‌ها را تولید می‌کند، در حالی که خیلی از قدم‌ها آن‌قدر ساده‌اند که یک مدل خیلی کوچک‌تر هم از پسشان برمی‌آید. روش‌های موجود برای تقسیم کار، مدل قوی را تولیدکننده نگه می
هارنسی دوحلقه‌ای که ربات دستیار را شخصی‌سازی‌شده و ایمن‌تر می‌کند
مدل‌های عمومی بینایی-زبان-عمل به ربات‌ها اجازه داده‌اند اشیای مختلف را در دنیای باز دست‌کاری کنند، اما دستیار رباتیک واقعی دو چیز دیگر هم لازم دارد. اول شخصی‌سازی: دستور «برایم ساندویچ درست کن» باید بر اساس ترجیح‌های همیشگی همان کاربر به قدم‌ها شکسته شود، نه ب
در آموزش با چند پاداش، هر پاداش فقط به توکن‌هایی برسد که واقعاً به آن مربوط‌اند
مدل‌های زبانی بیشتر و بیشتر با چند پاداش قابل بررسی هم‌زمان آموزش می‌بینند؛ مثلاً درستی و قالب یک فراخوانی ابزار، یا هر کدام از محدودیت‌های یک دستور پیچیده. روش GDPO هر پاداش را جدا نرمال می‌کند، اما سیگنال هر پاداش را به طور یکسان روی کل پاسخ پخش می‌کند، در ح
تقطیر کانتکست فقط روی بخش‌هایی از پاسخ شاگرد که واقعاً باید اصلاح شوند
مدل‌های زبانی برای بهتر شدن در طول استفاده باید از تجربه‌ی تعامل یاد بگیرند. «تقطیر کانتکست» راه امیدوارکننده‌ای است: اطلاعات ممتازی که از تجربه به دست آمده (مثلاً «این ابزار با این آرگومان خطا می‌دهد») به یک معلم داده می‌شود و رفتار معلم به شاگردی منتقل می‌شو
سپردن تصمیم‌های چندگزینه‌ای ایجنت به یک مدل تصمیم ارزان، با حفظ نرخ موفقیت
ایجنت‌ها امروز نرم‌افزار درست می‌کنند، با کامپیوتر کار می‌کنند و به مشتری‌ها خدمت می‌دهند، اما هارنسشان در هر قدم یک مدل زبانی بزرگ را صدا می‌زند و کارهای طولانی کند و گران می‌شوند. بیشتر این فراخوانی‌ها در واقع یک تصمیم چندگزینه‌ای‌اند، مثلاً «کدام ابزار را ب
ساختن خودکار تسک‌های واقعی مهندسی نرم‌افزار با برعکس کردن باگ‌فیکس‌های قدیمی
با قوی‌تر شدن ایجنت‌های کدنویسی، برای ارزیابی و آموزششان تسک‌های قابل بررسی بیشتر و متنوع‌تری لازم است. اما تسک‌های واقعی محدودند: به تعداد ایشوهایی که در دنیای واقعی گزارش می‌شود، و ساختن دستی‌شان گران است. روش‌های ساختگی موجود هم بیشتر به دانش مدل‌های بزرگ و
ارزیابی ایجنت‌های دارای وضعیت با یک پرونده‌ی ارزیابی که شواهدش قابل بازرسی است
تمام شدن یک تسک به‌تنهایی نشان نمی‌دهد ایجنتی که وضعیت را تغییر می‌دهد (مثلاً سفارش ثبت می‌کند یا پول برمی‌گرداند) همه‌ی تعهداتش را انجام داده است. یک حکم ثبت‌شده هم تضمین نمی‌کند شواهد پشتش هنوز معتبر باشد؛ مثلاً ممکن است داده‌ای که ارزیابی بر آن تکیه کرده بع
تکامل معماری حافظه‌ی ایجنت با تعمیرهای کوچک و هدفمند در کد، نه بازنویسی کامل
معماری حافظه‌ی ایجنت تعیین می‌کند ایجنت تجربه را چطور ذخیره و دوباره استفاده کند، اما معمولاً بعد از استقرار ثابت می‌ماند. روش‌های خودتکامل این معماری را با بازخورد اجرا تغییر می‌دهند، اما بازخوردشان درشت است: یک نمره یا یک خلاصه. با این بازخورد معلوم نمی‌شود
یک سیاست واحد برای جست‌وجو، نوشتن و توقف در حافظه، با پاداش برای هر قدم
مدل‌های زبانی برای جواب دادن بر اساس تاریخچه‌های طولانی، مثل گفت‌وگوهای چندسشنی یا اسناد بلند، به حافظه‌ی بیرونی تکیه می‌کنند. اما روش‌های موجود بازیابی و ساختن حافظه را جدا بهینه می‌کنند و فضای پاداش مشترکی ندارند که بشود با آن تصمیم‌های جست‌وجو، نوشتن و توقف
بنچمارکی که نشان می‌دهد بخش بزرگی از شکست ایجنت‌های ابزاری از بودجه‌ی هارنس است، نه از مدل
نمره‌ی موفقیت یک ایجنت ابزاری هم به مدل بستگی دارد و هم به بودجه‌های هارنسی که اجرایش می‌کند، مثل سقف توکن خروجی یا تعداد مجاز فراخوانی. معمولاً این دو از هم جدا نمی‌شوند و شکست به گردن مدل می‌افتد. بنچمارک ToolBottleneckBench تسک‌های سازمانی ساختگی را ثابت نگ
یاد گرفتن این‌که کدام تجربه‌ها، چند تا و به چه ترتیبی در حافظه‌ی ایجنت به او نشان داده شوند
حافظه به ایجنت اجازه می‌دهد بدون تغییر وزن‌هایش از تجربه‌های گذشته استفاده کند. اما شباهت معنایی به‌تنهایی مفید بودن یک خاطره را تضمین نمی‌کند: نتیجه به این بستگی دارد که خاطره‌ها چطور انتخاب و به ایجنت نشان داده شوند. مثلاً پنج تجربه‌ی شبیه هم ممکن است کمتر ا
داور ایجنت ترمینال را فقط وقتی صدا بزن که ایجنت می‌گوید کار تمام شد، و به او یک کپی از سیستم بده
جست‌وجو در زمان اجرا می‌تواند کارایی ایجنت را بالا ببرد: چند عمل جایگزین امتحان می‌شود و یک «داور» شاخه‌های امیدوارکننده را انتخاب می‌کند. اما در محیط‌های ترمینال، ایجنت فقط بخش کوچکی از وضعیت بزرگ سیستم را می‌بیند. نویسنده‌ها دیدند جست‌وجوی درختی مونت‌کارلو ک
خلاصه‌ی فارسی هنوز نوشته نشده است.
مقاله‌ی Skip the Compressor: Coding Agents Fix More Issues When They Pick Whole Files (15 Oct 2026، دانشگاه ایلینوی اربانا-شمپین؛ Xiaocong Yang، Rishit Chatterjee و همکاران) مسئله: یک ریپوی واقعی خیلی بزرگ‌تر از پنجره‌ی کانتکست ایجنت است، پس باید تصمیم گرفت کد
چهار ایجنت کلاد یک مدل پایه‌ی خام را خودشان پس‌آموزش دادند و به سطح نسخه‌ی رسمی رساندند
«خودبهبودی بازگشتی»، یعنی ساخته شدن سیستم‌های قوی‌تر هوش مصنوعی به دست خود هوش مصنوعی، را هنوز نمی‌شود مستقیم اندازه گرفت. نویسنده‌ها نسخه‌ی ضعیف‌تر و قابل سنجشی را بررسی می‌کنند: آیا ایجنت‌های پیشرو می‌توانند یک مدل پایه‌ی کوچک و خام را فقط با داده‌ی عمومی پس
یک تکنیک مهندسی کانتکست برای یک ایجنت نجات‌بخش است و برای ایجنت دیگر مضر
جواب دادن به سؤال روی داده‌های ناهمگون یعنی ترکیب شواهد از فایل‌ها، پایگاه داده، اسناد و وب. ایجنت‌های داده این کار را خودکار می‌کنند و موفقیتشان به کانتکست بستگی دارد. سه تکنیک مهندسی کانتکست رایج‌اند: «لایه‌ی معنایی» که داده را توصیف می‌کند، «ارکستراسیون» که
پلتفرم بازی برای ارزیابی و آموزش ایجنت‌های رابط گرافیکی در موبایل، کامپیوتر و وب
یادگیری تقویتی برخط با پاداش قابل بررسی، در ریاضی، کدنویسی و کار با ابزار پیشرفت سریعی آورده، اما گسترش آن به ایجنت‌های رابط گرافیکی سخت است: محیط‌های تعاملی گران‌اند و تسک‌های آموزشی واقع‌گرا کم‌اند. کارهای قبلی اپ و تسک تازه ساخته‌اند ولی نه کد آموزش را منتش
مقاله‌هایی که تاریخ تأییدشده ندارند، در ماهی آمده‌اند که شناسه‌ی آرکایوشان نشان می‌دهد.