موضوع
Autonomous agents, tool use, planning, multi-step workflows
۳٬۵۱۶ مقاله منتشر شده
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…
NanoResearch یک چارچوب چند-عاملی جدید است که با شخصیسازی خطلوله پژوهش، خروجیهای یکسان مدلهای زبانی را کنار میگذارد. این سیستم از طریق تکامل همزمان بانک مهارت و حافظه،…
بنچمارک جدید ComplexMCP نشان میدهد برترین عاملهای هوش مصنوعی در محیطهای ابزاری پیچیده تنها ۶۰ درصد موفقیت دارند، در حالی که این رقم برای انسانها ۹۰ درصد است. این مطالعه…
چارچوب جدید MATRA روشی سیستماتیک برای تبدیل آسیبپذیریهای مدلهای زبانی به ریسکهای عملیاتی در عاملهای خودمختار ارائه میدهد. این پژوهش نشان میدهد که کنترلهای معماری مانند…
چارچوب جدیدی به نام Agent Cybernetics پیشنهاد میکند که به جای آزمون و خطاهای تجربی، از تئوری کنترل کلاسیک برای طراحی عاملهای هوش مصنوعی استفاده کند. هدف این رویکرد، تضمین…
سیستم دفاعی PRISM با رصد لحظهای دینامیکهای تولید متن، نشت دادههای حساس در خطلولههای چند-عاملی را بهطور کامل متوقف کرده است. این ابزار بدون کاهش کیفیت خروجی، نرخ نشت در سطح…
یک پارادایم جدید در طراحی APIهای معنایی، رابطهای سنتی CRUD را با پروتکلی ششفعل برای عاملهای هوش مصنوعی جایگزین کرده است. این رویکرد در محیطهای عملیاتی SaaS، نرخ موفقیت در…
یک چارچوب آماری جدید، ارزیابی عاملهای هوش مصنوعی را از نرخهای سادهی موفقیت/شکست به سنجش ثبات در سطح مسیر تغییر میدهد. این متد به توسعهدهندگان اجازه میدهد تفاوت میان دانش مدل…
چارچوب SkillEvolver با معرفی یک «متا-مهارت»، یادگیری عاملها را از تغییر وزنهای مدل به اصلاح متنی و کد منتقل کرد. این روش در ۱۵ حوزه مختلف، دقتی بالاتر از مهارتهای طراحیشده…
چارچوب ASIA با بهرهگیری از مدلهای زبانی بزرگ، فرآیند انتخاب مدل و تنظیم ابرپارامترها در سیستمهای دینامیکی را بهطور کامل خودکار میکند. این سیستم با بستن چرخه بین فرضیه و…
پژوهشگران لایهای برای گزارش شواهد معرفی کردهاند تا از ثبت «موفقیتهای کاذب» در بنچمارکهای عاملهای هوش مصنوعی جلوگیری کنند. این چارچوب با الزام به ارائه مستندات قابل…
چارچوب GuardAD با تبدیل ایمنی به یک وضعیت منطقی پویا، نرخ تصادفات در مدلهای زبانی چندوجهی (MLLM) را ۳۲.۰۷٪ کاهش داده است. این سیستم بدون نیاز به بازآموزی مدل، خطرات پنهان را…