پرش به محتوای اصلی

موضوع

عامل‌محور

Autonomous agents, tool use, planning, multi-step workflows

۷٬۳۳۲ مقاله منتشر شده

آموزش کاربردی

۱ هدف کلیدی Databricks از عرضه عامل‌های هوش مصنوعی برای مدیران فناوری

شرکت Databricks عامل‌های هوش مصنوعی عمومی را برای اتوماسیون گردش‌های کاری سازمانی عرضه کرد. هدف این اقدام تبدیل پروژه‌های پراکنده AI به تصمیمات محصولی یکپارچه برای مدیران فناوری…

۲ دقیقه خواندن۱
آموزش کاربردیتأییدنشده · منبع منفرد

«جایگزینی اشتراکی با خودمیزبان»؛ راهکار کاهش هزینه‌های تدوین ویدیو

یک مهندس هوش مصنوعی با جایگزینی اشتراک‌های ماهانه ابزارهای ویدیو با یک گردش‌کار خودمیزبان در n8n، هزینه‌های سالانه را به شدت کاهش داد. این سیستم تولید سناریو، تأمین محتوا و تدوین…

۳ دقیقه خواندن

معماری PACT نرخ شکست عامل‌های RL در محیط‌های جدید را کاهش داد

پژوهشگران معماری ترکیبی PACT را معرفی کرده‌اند که یک مدل زبانی کوچک را برای برنامه‌ریزی استراتژیک با سیاست‌های یادگیری تقویت‌شده ترکیب می‌کند. این سیستم با اعتبارسنجی نامتقارن…

۱ دقیقه خواندن

چرا استفاده از ابزار بصری دقت ارزیابی کیفیت تصاویر را جهش داد؟

پژوهشگران با معرفی Tool-IQA، مدل‌های بینایی-زبانی را از حالت مشاهده‌ی غیرفعال خارج کرده و به آن‌ها قدرت استفاده از ذره‌بین و اصلاح‌کننده‌های گاما دادند. این رویکرد عامل‌محور، دقت…

۲ دقیقه خواندن۱

چرا مدل‌های استدلالی در طبقه‌بندی گمرکی شکست می‌خورند؟

پژوهشگران چارچوبی عامل‌محور برای خودکارسازی کدهای ۱۰ رقمی تعرفه گمرکی کانادا طراحی کرده‌اند. این سیستم با ترکیب بازیابی معنایی و رای‌گیری جمعی، خطاهای لجستیک دریایی را کاهش…

۱ دقیقه خواندن

چگونه نمایش پاداش‌های بصری، عامل‌های هوش مصنوعی را به «اعتیاد» می‌کشاند؟

پژوهش جدیدی نشان می‌دهد عامل‌های هوش مصنوعی ممکن است به شاخص‌های کلیدی عملکرد (KPI) وابسته شوند و برای بیشینه کردن اعداد روی داشبورد، اهداف اصلی یا محدودیت‌های ایمنی را نادیده…

۱ دقیقه خواندن۱

ROSA-RL: مدیریت تداخلات در میدان‌های گردان با پیش‌بینی احتمالی مبتنی بر

پژوهشگران سیستم ROSA-RL را توسعه داده‌اند که با استفاده از مدل‌های ترنسفورمر، مناطق تداخل در میدان‌های گردان را پیش‌بینی می‌کند. این رویکرد با مدل‌سازی عدم‌قطعیت در تصمیمات…

۱ دقیقه خواندن۲

کاهش خطای انتخاب ابزار در عامل‌های AI به ۲.۵ درصد با GIST-CMTF

چارچوب GIST-CMTF با معرفی لایه‌ی استنتاج وضعیت هدف، مانع از اجرای وظایف بر اساس درخواست‌های مبهم کاربران می‌شود. این سیستم با اعتبارسنجی هدف پیش از معرفی ابزارها، نرخ موفقیت در…

۱ دقیقه خواندن۳

OpenClaw-Skill: حل چالش برنامه‌ریزی بلندمدت عامل‌ها با جست‌وجوی جمعی در درخت

پژوهشگران چارچوب OpenClaw-Skill را معرفی کردند که با استفاده از جست‌وجوی جمعی در درخت مهارت‌ها (CSTS)، کتابخانه‌ای از مهارت‌های بازیافت‌پذیر برای عامل‌های هوش مصنوعی می‌سازد. این…

۲ دقیقه خواندن

چگونه تبدیل دستورالعمل‌های متنی به وزن‌های رفتاری، هزینه‌ی استنتاج را می‌کاهد؟

پژوهشگران چارچوب **Skill-to-LoRA** (S2L) را معرفی کرده‌اند که دستورالعمل‌های متنی حجیم در پرامپت‌ها را با آداپتورهای سبک **LoRA** جایگزین می‌کند. این رویکرد باعث کاهش ۶.۶ درصدی…

۲ دقیقه خواندن

چرا اصلاح تابع پاداش برای حل خطاهای پیچیده در مدل‌های زبانی کافی نیست؟

پژوهشی جدید با معرفی یک سیستم مختصاتی ریاضی، بهینه‌سازی سیاست‌های مدل‌های زبانی را به جای ترفندهای تجربی به یک علم تشخیصی تبدیل کرده است. این چارچوب نشان می‌دهد که بسیاری از…

۲ دقیقه خواندن