پرش به محتوای اصلی

موضوع

عامل‌محور

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

۱٬۴۸۷ مقاله منتشر شده

پنج گام حیاتی برای جلوگیری از تبدیل ابزارهای هوش مصنوعی به بدهی فنی
آموزش کاربردی

پنج گام حیاتی برای جلوگیری از تبدیل ابزارهای هوش مصنوعی به بدهی فنی

بسیاری از مدیران فناوری با اولویت دادن به انتخاب ابزار بر استانداردسازی رفتار تیم، باعث ایجاد پراکندگی در گردش کار و افزایش بدهی فنی می‌شوند. برای دستیابی به بهره‌وری مقیاس‌پذیر،…

۲ دقیقه خواندن
چگونه تغییر نام سه فایل ساده، خطاهای بازیابی در عامل‌های هوش مصنوعی را رفع کرد؟
آموزش کاربردی

چگونه تغییر نام سه فایل ساده، خطاهای بازیابی در عامل‌های هوش مصنوعی را رفع کرد؟

شکست عامل‌های هوش مصنوعی در محیط عملیاتی اغلب به دلیل محدودیت‌های مدل نیست، بلکه ناشی از نام‌گذاری مبهم فایل‌هاست که سیستم‌های بازیابی را گیج می‌کند. با جایگزینی نام‌های کلی با…

۳ دقیقه خواندن
چرا بهینه‌سازی خط لوله داده مؤثرتر از تغییر معماری مدل است؟

چرا بهینه‌سازی خط لوله داده مؤثرتر از تغییر معماری مدل است؟

چارچوب DataMaster با خودکارسازی فرآیند کشف و پاک‌سازی داده‌ها، نرخ موفقیت در بنچمارک MLE-Bench را ۳۲.۲۷٪ افزایش داد. این دستاورد نشان می‌دهد که پیشرفت‌های آتی در یادگیری ماشین بیش…

۲ دقیقه خواندن
سازوکار «اثر تماشاگر»: تحلیل تخریب استدلال در سیستم‌های چندعاملی هوش مصنوعی

سازوکار «اثر تماشاگر»: تحلیل تخریب استدلال در سیستم‌های چندعاملی هوش مصنوعی

همکاری بین عامل‌های هوش مصنوعی لزوماً منجر به نتایج دقیق‌تر نمی‌شود و حتی می‌تواند استدلال را تخریب کند. پژوهش‌های جدید نشان می‌دهند مدل‌ها به دلیل «تنبلی شناختی»، منطق درست خود…

۲ دقیقه خواندن
سازوکار MAGE: تکامل عامل‌های هوش مصنوعی بدون به‌روزرسانی وزن‌های مدل

سازوکار MAGE: تکامل عامل‌های هوش مصنوعی بدون به‌روزرسانی وزن‌های مدل

چارچوب MAGE با معرفی گراف‌های دانش تکاملی، به عامل‌های هوش مصنوعی اجازه می‌دهد بدون تغییر در وزن‌های مدل، از شکست‌ها و موفقیت‌های خود بیاموزند. این سیستم در ۹ بنچمارک مختلف، از…

۲ دقیقه خواندن
درون معماری GW-Eyes: گذار از ابزارهای کمکی به عامل‌های خودگردان در اخترشناسی

درون معماری GW-Eyes: گذار از ابزارهای کمکی به عامل‌های خودگردان در اخترشناسی

پژوهشگران چارچوب GW-Eyes را معرفی کردند؛ سیستمی عامل‌محور که با استفاده از مدل‌های زبانی بزرگ، پیوند میان امواج گرانشی و همتای‌های الکترومغناطیسی آن‌ها را خودکار می‌کند. این…

۲ دقیقه خواندن
چگونه توکن‌های تخصصی CoWorld-VLA خطای استدلال در رانندگی خودکار را کاهش می‌دهند؟

چگونه توکن‌های تخصصی CoWorld-VLA خطای استدلال در رانندگی خودکار را کاهش می‌دهند؟

مدل CoWorld-VLA با معرفی توکن‌های تخصصی برای داده‌های هندسی و پویا، استدلال سطح بالا را به عمل دقیق در رانندگی خودکار متصل می‌کند. این چارچوب در بنچمارک NAVSIM v1 دقت مسیر و ایمنی…

۲ دقیقه خواندن
AnomalyClaw: افزایش ۷.۹۳ واحدی AUROC در تشخیص ناهنجاری‌های بصری با رویکرد ردّیه

AnomalyClaw: افزایش ۷.۹۳ واحدی AUROC در تشخیص ناهنجاری‌های بصری با رویکرد ردّیه

عامل AnomalyClaw با جایگزینی استنتاج تک‌مرحله‌ای با یک فرآیند ردّیه چندمرحله‌ای، دقت تشخیص ناهنجاری‌های بصری را به‌طور چشم‌گیری افزایش می‌دهد. این ابزار بدون نیاز به آموزش مجدد،…

۲ دقیقه خواندن
گزارش arXiv: نرخ موفقیت عامل‌های کدنویس با متد Shepherd به ۵۴.۷٪ رسید

گزارش arXiv: نرخ موفقیت عامل‌های کدنویس با متد Shepherd به ۵۴.۷٪ رسید

پلتفرم Shepherd با معرفی زیرساختی مبتنی بر برنامه‌نویسی تابعی، تعاملات عامل‌ها را به عنوان رویدادهای کنترل‌شده مدیریت می‌کند. این رویکرد سرعت بازتولید وضعیت‌ها را ۵ برابر بیشتر از…

۲ دقیقه خواندن