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.
تکامل اسکیل‌های ایجنت بدون دور ریختن نسخه‌های نیمه‌کاره‌ای که فعلاً نمره‌ی کمتری دارند
اسکیل‌ها دانش روالی را به ساخته‌هایی قابل استفاده‌ی دوباره تبدیل می‌کنند و «تکامل اسکیل» آن‌ها را با بازخورد اجرا بهتر می‌کند. اما بهبود گاهی به چند ویرایش وابسته به هم نیاز دارد؛ مثلاً اول باید قدم نصب را درست کرد و بعد قدم پیکربندی، و نسخه‌ی میانی ممکن است م
دام هم‌تکاملی اسکیل و سیاست: ایجنتی که با اسکیل‌هایش رشد کرده، با عوض شدن آن‌ها زمین می‌خورد
در «هم‌تکاملی اسکیل و سیاست»، مدل ایجنت و بانک اسکیل‌هایش در طول آموزش هم‌دیگر را بهتر می‌کنند. ارزیابی‌های فعلی مدل را با همان بانک نهایی آموزش می‌سنجند. اما بعد از استقرار، اسکیل‌ها خیلی بیشتر از آموزش دوباره‌ی مدل بازنویسی، اضافه یا حذف می‌شوند؛ پس مدل با ب
مدلی کوچک که یاد گرفته وسط اجرای یک سیستم چندایجنتی، خطا را ببیند و اصلاح کند
در سیستم‌های چندایجنتی، یک اشتباه محلی وقتی ایجنت‌های دیگر روی آن کار می‌کنند پخش می‌شود و یک خطای قابل اصلاح به شکست کل تسک می‌رسد. تشخیص خطا بعد از پایان اجرا یا اجرای دوباره و تکراری برای پیدا کردن اصلاح، سیاستی برای دخالت در حین اجرا نمی‌دهد. ایده‌ی ARIA ا
سیستمی برای اندازه‌گیری دقیق این‌که هارنس، ابزار، اسکیل و حافظه واقعاً به استدلال مدل کمک می‌کنند یا نه
ایجنت یعنی یک مدل استدلالی به‌علاوه‌ی هارنسی که فراخوانی‌های مدل را سازمان می‌دهد، ابزار اجرا می‌کند، دستورالعمل اسکیل‌ها را بار می‌کند و تاریخچه را در حافظه نگه می‌دارد. برای فهمیدن عملکرد ایجنت باید شرایط اجرا را به نتیجه، رفتار و مصرف منابع وصل کرد، اما معم
دنیا منتظر نمی‌ماند: سنجیدن ایجنت‌ها وقتی بازی در حین فکر کردنشان ادامه دارد
ایجنت‌های مدل زبانی کارهای تعاملی پیچیده را حل می‌کنند، اما استدلال و فراخوانی ابزار زمان می‌برد. در محیطی که مدام تغییر می‌کند، یک عمل درست ممکن است خیلی دیر برسد؛ مثلاً در یک بازی، تا مدل تصمیم بگیرد به کدام سمت برود، مانع رسیده است. بیشتر بنچمارک‌ها محیط را
آموزش هم‌زمان اقدام و پیش‌بینی چند قدم بعدی، برای استفاده‌ی بهتر از مسیرهای موفق ایجنت
آموزش ایجنت‌های زبانی به خاطر هزینه‌ی بالای اجراهای طولانی محدود است، ولی یادگیری تقویتی معمول فقط از یک پاداش پایانی یاد می‌گیرد و نظارت قدم‌های میانی را هدر می‌دهد. روش‌های قبلی یا هدف ارزش برای هر قدم می‌سازند، که همه از همان یک پاداش می‌آیند، یا هدف مشاهده
فشرده کردن حافظه‌ی کلید-مقدار مدل برای یک سند، با آموزش در زمان اجرا
کانتکست‌های طولانی حافظه‌ی کلید-مقدار مدل را بزرگ می‌کنند و مصرف حافظه و هزینه‌ی توجه را هنگام تولید بالا می‌برند. فشرده کردن این حافظه باید اطلاعات لازم برای سؤال‌هایی را که هنوز پرسیده نشده‌اند حفظ کند؛ مثلاً اگر سند یک دفترچه‌ی تلفن است، شماره‌ی هر کسی که ب
ایجنتی که با عوض شدن نام ابزارها گیج نشود: آموزش سازگاری بین دو رابط
پس‌آموزش، توانایی ایجنت را به رابطی که روی آن آموزش دیده گره می‌زند. تغییرهایی که معنا را عوض نمی‌کنند، مثل تغییر نام یک اقدام یا نمادگذاری، تسک را ثابت نگه می‌دارند ولی ایجنت را بدتر می‌کنند. تصادفی کردن رابط در آموزش هم فقط وابستگی را از یک رابط به توزیع راب
وقتی شاگرد اشتباه می‌کند، معلم دنبالش می‌رود: بازگرداندن نظارت قابل اعتماد با نقد معلم
تقطیر روی سیاست، مدل شاگرد را روی پاسخ‌های خودش با نظارت توکن به توکن از معلم آموزش می‌دهد و فرض می‌کند معلم از هر شروعی که شاگرد نوشته به پاسخ درست می‌رسد. نویسنده‌ها این ویژگی را «بازیابی‌پذیری معلم» می‌نامند و نشان می‌دهند روی پاسخ‌های غلط از کار می‌افتد: م
برای پیش بردن کشف خودکار، ایجنت‌ها باید گاهی همه‌چیز را فراموش کنند
پژوهش خودکار با ایجنت‌های مدل زبانی در حوزه‌های مختلف نتیجه‌های امیدوارکننده‌ای داده است: ایجنت‌ها با اصلاح پیاپی و یک امتیازدهنده‌ی خودکار ایده‌های تازه پیدا می‌کنند. برای بزرگ کردن این کار سه راه هست: یک ایجنت بیشتر کار کند، چند ایجنت موازی کار کنند، یا ایجن
خلاصه‌ی فارسی هنوز نوشته نشده است.
تثبیت سود کانتکست در وزن‌های مدل، بدون آسیب به توانایی‌های دیگر
کانتکست می‌تواند کارایی مدل زبانی را بالا ببرد، اما این سود با برداشتن کانتکست از بین می‌رود؛ مثلاً واقعیتی که در پرامپت داده شده، در گفت‌وگوی بعدی بدون آن پرامپت فراموش می‌شود. نویسنده‌ها با الهام از «تثبیت حافظه» در سیستم‌های زیستی، این مسئله را درونی کردن س
ایجنتی که پیشرفتش را در یک درخت جست‌وجو ذخیره می‌کند و خودش تصمیم می‌گیرد از کدام گره ادامه دهد
ایجنت به سبک ReAct مشاهده‌ها، نتیجه‌های میانی و تلاش‌های ناموفق را در یک کانتکست انباشته می‌کند. با بزرگ شدن کانتکست، اطلاعات کهنه و بیرون از مسیر ظرفیت محدود آن را پر می‌کند و شواهد مرتبط را پنهان می‌کند؛ مثلاً در یک پژوهش طولانی، نتیجه‌ی سه جست‌وجوی بی‌حاصل
آموزش مدل برای قواعد اجرایی هارنس، نه فقط برای اقدام‌ها
استقرار یک مدل عمومی به عنوان ایجنت یعنی اجرای آن داخل هارنس خاص یک محصول، که تعیین می‌کند کدام اقدام‌ها اجراشدنی‌اند، وضعیت چطور پیش می‌رود و حلقه کِی می‌تواند تمام شود. نظارت معمولی روی مسیرها نشان می‌دهد کدام اقدام انجام شده، ولی قواعد اجرایی پشت آن را پنها
سنجیدن ایجنت‌های اجتماعی با برنامه‌ای که واقعاً بر سرش توافق کردند، نه با زیبایی گفت‌وگو
تعامل اجتماعی مؤثر فقط جواب روان نیست: ایجنت‌ها باید به برنامه‌ای برسند که با نیازها و شرایط طرفین جور باشد. ارزیابی‌های فعلی ایجنت‌های اجتماعی بیشتر به داور مدل زبانی تکیه دارند که به گفت‌وگو نمره می‌دهد، بی آن‌که برنامه‌ی نهایی را بررسی کند. مثلاً دو ایجنت م
فشرده‌سازی شفاف کانتکست، که متن گفت‌وگو را دست‌نخورده نگه می‌دارد، حافظه‌ی ایجنت‌های کدنویسی سبک را بهتر می‌کند
جلسه‌های طولانی ایجنت کدنویسی از پنجره‌ی کانتکست مدل بزرگ‌تر می‌شوند، پس ایجنت تاریخچه‌ی قدیمی را با چیز کوتاه‌تری، معمولاً خلاصه‌ای که خود مدل نوشته، عوض می‌کند. خلاصه انتخاب می‌کند و بازنویسی می‌کند، و ایجنت نمی‌بیند چه چیزی از دست رفته؛ مثلاً قاعده‌ای که کا
تسک به شکل یک قرارداد قابل ویرایش: کاربر به جای نظارت بر روند، وضعیت برنامه را کنترل و بازیابی کند
ایجنت‌های رابط گرافیکی حالا گردش کار را در برنامه‌های واقعی اجرا می‌کنند. اما وقتی اجرا از مسیر خارج می‌شود، کاربر باید بفهمد چه چیزی عوض شده، چه چیزی باید دست‌نخورده می‌ماند و چه چیزی هنوز قابل بازیابی است. رابط‌هایی که برنامه‌ی ایجنت را نشان می‌دهند کاربر را
بنچمارک حافظه‌ی شخصی و رویه‌ای با هم: دستیار باید هم بداند برای چه کسی کار می‌کند و هم چطور
سیستم‌های حافظه‌ی دستیارهای شخصی پایدار باید هم حافظه‌ی شخصی درباره‌ی کاربر و هم حافظه‌ی رویه‌ای درباره‌ی روش انجام کار را نگه دارند. در دستیارهای مبتنی بر هارنس، رویه‌ها و اسکیل‌ها به کاربر وابسته‌اند: زمینه‌ی شخصی تعیین می‌کند کدام رویه به کار می‌آید و چطور
آنچه ایجنت‌های کدنویسی در گزارششان نمی‌گویند: فاصله‌ی ۴۰ درصدی بین گزارش و واقعیت اجرا
ناظر انسانی برای فهمیدن پیشرفت کار، تأیید ترمیم‌ها و تصمیم به دخالت، به گزارش‌های ایجنت کدنویسی تکیه می‌کند. اما نمی‌شود شکستی را بررسی کرد که هیچ‌وقت گزارش نشده است. تلاش‌های ناموفق، راه‌حل‌های موقت و خطرهای حل‌نشده ممکن است از گزارش‌های معمول جا بمانند؛ مثلا
هارنس قوی فاصله‌ی مدل‌ها را کم می‌کند: تبدیل قانون‌های ایالتی آمریکا به XML دقیق
بازتولید محتوای حقوقی باید دقیقاً با منبع یکی باشد: سلسله‌مراتب بخش‌ها، متن عینی، ارجاع‌ها و بازه‌ی اصلاحیه‌ها. یک ارجاع جاافتاده یا اصلاحیه‌ی غلط‌برچسب‌خورده مستقیم به محصولاتی می‌رسد که وکیل‌ها به آن‌ها تکیه می‌کنند. نویسنده‌ها یک خط لوله‌ی صنعتی را که قانون
تقطیر تصمیم‌ها، نه توکن‌ها: تقطیر ایجنت در سطح اقدام با معلم جعبه‌سیاه
تقطیر یک ایجنت توانا به مدل کوچک‌تر یعنی هم‌راستا کردن رفتار شاگرد با معلم، و سؤال این است که در کدام وضعیت‌ها و با چه دانه‌بندی. تقلید آفلاین نظارت متراکم ولی وابسته به توکن می‌دهد و از ناهمخوانی توزیع وضعیت رنج می‌برد. تقطیر روی سیاست در سطح توکن این ناهمخوا
بررسی واقعیت خودتقطیری در یادگیری تقویتی ایجنتی: هیچ روشی همیشه از GRPO بهتر نیست
تعداد روش‌های خودتقطیری در یادگیری تقویتی ایجنتی رو به افزایش است، اما ارزیابی‌های موجود اغلب عدد پایه‌های منتشرشده را زیر شرایط آزمایشی متفاوت دوباره استفاده می‌کنند، مقایسه‌ی مستقیم کمی بین روش‌های هم‌زمان دارند و به پایداری آموزش و هزینه‌ی محاسبه کم توجه می
ایجنت کدنویسی که خط لوله‌ی پیش‌بینی سری زمانی را دور یک مدل پایه‌ی ثابت، خودش بهتر می‌کند
مدل‌های پایه‌ی سری زمانی بدون آموزش اضافه پیش‌بینی خوبی می‌دهند، اما استفاده‌ی واقعی هنوز طراحی مخصوص هر تسک برای ورودی و خروجی مدل لازم دارد. استفاده‌ی مستقیم دانش حوزه و خطاهای تکراری پیش‌بینی را نادیده می‌گیرد؛ مثلاً این‌که فروش در تعطیلات جهش دارد. ساختن خ
بنچمارکی برای سنجیدن این‌که ایجنت‌ها قاعده‌های تخصصی را در سناریوهای پراکنده در چند فایل درست پیدا و اعمال می‌کنند
مدل‌های زبانی بیشتر و بیشتر سراغ کارهای واقعی در حوزه‌های تخصصی می‌روند، اما پیدا کردن و درست اعمال کردن قاعده‌های آن حوزه وقتی اطلاعات سناریو در چند فایل پخش شده سخت است. مثلاً برای این‌که بفهمی یک کارمند مرخصی تشویقی می‌گیرد یا نه، باید آیین‌نامه، سابقه‌ی کا
مقاله‌هایی که تاریخ تأییدشده ندارند، در ماهی آمده‌اند که شناسه‌ی آرکایوشان نشان می‌دهد.