پرش به محتوای اصلی

موضوع

عامل‌محور

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

۳٬۵۶۵ مقاله منتشر شده

اوپن‌ای‌ای: «خودکارسازی کامل همه چیز، آینده‌ای نیست که می‌خواهیم»

چرخش در استراتژی OpenAI: چرا همکاری انسانی جایگزین خودکارسازی کامل شد؟

شرکت OpenAI هدف خود برای خودکارسازی کامل تحقیقات تا سال ۲۰۲۸ را رها کرد و مدل «همکاری انسانی-ماشین» را جایگزین آن کرد. این شرکت اکنون از طریق بازوی جدید خود، DeployCo، به‌جای فروش…

۳ دقیقه خواندن۱
دو هوش مصنوعی اولاما در حال گفتگو با یکدیگر
آموزش کاربردی

چرا برای ساخت عامل‌های هوش مصنوعی نیازی به فریم‌ورک‌های پیچیده نیست؟

یک آزمایش ساده با مدل Gemma 4 نشان داد که برای ایجاد رفتارهای پیچیده و تغییر موضوع در گفتگو، نیازی به ابزارهای سنگین مدیریت عامل‌ها نیست. این یافته ثابت می‌کند که وزن‌های داخلی…

۸ دقیقه خواندن
ارسال کد از گوشی هنگام درازکشیدن روی مبل: راه‌اندازی دقیق
آموزش کاربردیتأییدنشده · منبع منفرد

ترکیب Tailscale و tmux: سازوکار ارسال کد تولیدی از آیفون با عامل‌های هوش مصنوعی

یک توسعه‌دهنده روشی را منتشر کرد که در آن آیفون را به ترمینالی برای مدیریت عامل‌های کدنویسی تبدیل می‌کند. این سیستم با استفاده از یک مک به عنوان سرور SSH و ابزارهای شبکه، اجازه…

۵ دقیقه خواندن
ربات‌ها از انسان‌ها پیشی گرفتند: وب عامل‌محور و سیستم مدیریت محتوا
آموزش کاربردی

چرخش در ترافیک وب: چرا سئو از جذب انسان به اقدام عامل‌ها تغییر می‌کند؟

عامل‌های هوش مصنوعی اکنون با ۵۷.۵٪ از درخواست‌های وب، جایگاه انسان‌ها را به عنوان بازدیدکننده اصلی اینترنت گرفته‌اند. این تغییر، ضرورت گذار از طراحی‌های بصری به محتوای ساختاریافته…

۶ دقیقه خواندن
ایجاد چک‌پوینت با گازلایتینگ دیتابیس Postgres

چرا عامل‌های هوش مصنوعی باعث تورم هزینه‌های ابری می‌شوند و Lakebase چه می‌کند؟

شرکت Databricks ابزاری به نام Lakebase معرفی کرد تا هرج‌ومرج زیرساختی ایجاد شده توسط عامل‌های خودکار را مهار کند. این دیتابیس با استفاده از قابلیت شاخه‌بندی و محاسبات صفر-پذیر،…

۱ دقیقه خواندن
AHA-WAM: کاهش ۴.۵۹ برابری تأخیر در کنترل رباتیک با مدل‌سازی نامتقارن جهان

AHA-WAM: کاهش ۴.۵۹ برابری تأخیر در کنترل رباتیک با مدل‌سازی نامتقارن جهان

چارچوب AHA-WAM با جداسازی پیش‌بینی جهان از اجرای عملیات، تأخیر کنترل بسته-حلقه در ربات‌ها را ۴.۵۹ برابر کاهش داده است. این معماری مبتنی بر ترنسفورمرهای انتشار دوگانه، امکان کنترل…

۲ دقیقه خواندن
چرا نمرات «شروع سرد» برای سنجش قابلیت یادگیری عامل‌های VLM کافی نیستند؟

چرا نمرات «شروع سرد» برای سنجش قابلیت یادگیری عامل‌های VLM کافی نیستند؟

پژوهشگران بنچمارک OmniGameArena را برای اندازه‌گیری نحوه بهبود عامل‌های مدل زبانی-دیداری از طریق بازتاب خودکار معرفی کرده‌اند. برخلاف تابلوهای امتیازات ایستا، این سیستم مسیر…

۱ دقیقه خواندن
انتقال کنترل از خط‌مبنا به شبکه عصبی؛ راهکاری برای حذف آزمون-خطای پرهزینه در RL

انتقال کنترل از خط‌مبنا به شبکه عصبی؛ راهکاری برای حذف آزمون-خطای پرهزینه در RL

یک تکنیک جدید در یادگیری تقویت‌شده (RL) با جایگزینی آموزش «از صفر» با انتقال تدریجی کنترل از یک خط‌مبنای عملیاتی به شبکه عصبی، هزینه‌های محاسباتی را کاهش می‌دهد. این روش نرخ رسیدن…

۲ دقیقه خواندن
DARP: افزایش ۴۶ درصدی تعمیم‌پذیری در یادگیری تقلیدی با رویکرد بازیابی محلی

DARP: افزایش ۴۶ درصدی تعمیم‌پذیری در یادگیری تقلیدی با رویکرد بازیابی محلی

رویکرد DARP با جایگزینی سیاست‌های سراسری با ساختارهای بازیابی محلی، خطاهای انباشته در حالت‌های خارج از توزیع را کاهش می‌دهد. این متد منجر به بهبود ۱۵ تا ۴۶ درصدی عملکرد در کنترل…

۱ دقیقه خواندن
چرا یادگیری تقویت‌شده چندعاملی جایگزین محاسبات هندسی در حمل‌ونقل رباتیک می‌شود؟

چرا یادگیری تقویت‌شده چندعاملی جایگزین محاسبات هندسی در حمل‌ونقل رباتیک می‌شود؟

یک چارچوب جدید یادگیری تقویت‌شده چندعاملی (MARL)، تیم‌های رباتیک را قادر می‌سازد تا اجسام با هر شکل و توزیع جرم نامتقارن را به‌طور خودگردان جابه‌جا کنند. این سیستم با ادغام کنترل…

۱ دقیقه خواندن