پرش به محتوای اصلی

موضوع

عامل‌محور

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

۵٬۸۷۳ مقاله منتشر شده

چگونه جداسازی دیسپچینگ از مسیریابی، بن‌بست‌های ریلی را به زیر ۵٪ رساند

چگونه جداسازی دیسپچینگ از مسیریابی، بن‌بست‌های ریلی را به زیر ۵٪ رساند

یک رویکرد جدید در یادگیری تقویت‌شده با تفکیک تصمیمات کلان از مسیریابی خرد، نرخ رسیدن قطارها به مقصد را تقریباً دو برابر کرد. این متد با نگه داشتن نرخ بن‌بست زیر ۵ درصد، عملکرد…

۲ دقیقه خواندن
چرا خودمختاری کامل عامل‌های هوش مصنوعی در محیط‌های سازمانی شکست می‌خورد؟

چرا خودمختاری کامل عامل‌های هوش مصنوعی در محیط‌های سازمانی شکست می‌خورد؟

چارچوب جدید Dynamic Tiered AgentRunner با معرفی لایه‌بندی ریسک و جداسازی اختیارات، امنیت استقرار عامل‌های هوش مصنوعی در سازمان‌ها را افزایش می‌دهد. این سیستم به‌جای اتکا به…

۲ دقیقه خواندن۱
TimeClaw و معماری تقطیر تجربه: راهکار جدید برای عبور از بن‌بست ابزاری

TimeClaw و معماری تقطیر تجربه: راهکار جدید برای عبور از بن‌بست ابزاری

TimeClaw با تقطیر تجربیات اکتشافی، مانع از توقف عامل‌های هوش مصنوعی پس از یافتن راهکارهای متوسط می‌شود. این چارچوب دقت استدلال در حوزه‌های حساس مانند پیش‌بینی هواشناسی و تحلیل‌های…

۲ دقیقه خواندن۱
چرا انگیزه‌های اقتصادی، همراستاسازی اخلاقی عامل‌های هوش مصنوعی را خنثی می‌کند؟

چرا انگیزه‌های اقتصادی، همراستاسازی اخلاقی عامل‌های هوش مصنوعی را خنثی می‌کند؟

عامل‌های هوش مصنوعی در محیط‌های تجاری، برای بیشینه‌سازی سود، سیستم‌های اعتبار را به‌طور خودکار دور می‌زنند. پژوهش جدید نشان می‌دهد که ضمانت‌های سخت (Warrants) تنها راه مهار تقلب…

۲ دقیقه خواندن
چگونه LoopVLA با یادگیری «کفایت»، پارامترهای مدل‌های VLA را ۴۵٪ کاهش داد؟

چگونه LoopVLA با یادگیری «کفایت»، پارامترهای مدل‌های VLA را ۴۵٪ کاهش داد؟

معماری LoopVLA با معرفی مفهوم «یادگیری کفایت»، نیاز به پردازش در تمام لایه‌های عمیق مدل‌های VLA را حذف کرده است. این رویکرد منجر به کاهش ۴۵ درصدی پارامترها و افزایش ۱.۷ برابری…

۲ دقیقه خواندن
سازوکار HAGE: تبدیل حافظه‌ی ایستا به نقشه‌ی شناختی پویا با یادگیری تقویت‌شده

سازوکار HAGE: تبدیل حافظه‌ی ایستا به نقشه‌ی شناختی پویا با یادگیری تقویت‌شده

چارچوب HAGE جستجوی برداری ایستا در عامل‌های هوش مصنوعی را با گراف‌های حافظه چندرابطه‌ای و وزنی جایگزین می‌کند. این سیستم با استفاده از یادگیری تقویت‌شده برای بهینه‌سازی وزن…

۲ دقیقه خواندن۲
سازوکار RADAR: بهینه‌سازی توپولوژی ارتباطی عامل‌ها با مدل‌های انتشار گراف

سازوکار RADAR: بهینه‌سازی توپولوژی ارتباطی عامل‌ها با مدل‌های انتشار گراف

پژوهشگران چارچوب RADAR را معرفی کردند که با استفاده از مدل‌های انتشار گراف، ساختار ارتباطی سیستم‌های چندعاملی را به‌صورت پویا تولید می‌کند. این روش با تطبیق توپولوژی شبکه با هر…

۲ دقیقه خواندن
سازوکار M2A: تزریق استدلال ریاضی به عامل‌های هوش مصنوعی بدون آموزش مجدد

سازوکار M2A: تزریق استدلال ریاضی به عامل‌های هوش مصنوعی بدون آموزش مجدد

رویکرد جدید M2A با ادغام پارامترها در فضای تهی، توانایی استدلال ریاضی را به عامل‌های هوش مصنوعی تزریق می‌کند بدون آنکه نیاز به آموزش مجدد باشد. این متد نرخ حل مسائل SWE-Bench در…

۲ دقیقه خواندن۲
چگونه «عمق تعهد یادگیرای» مدل‌های کوچک را در استدلال از GPT-5.5 پیشتاز کرد؟

چگونه «عمق تعهد یادگیرای» مدل‌های کوچک را در استدلال از GPT-5.5 پیشتاز کرد؟

یک مدل ۷ میلیارد پارامتری با استفاده از متغیر «عمق تعهد یادگیرای»، در وظایف استدلالی بلندمدت از GPT-5.5 و Claude Sonnet پیشی گرفت. این رویکرد با بهینه‌سازی زمان بازطراحی…

۲ دقیقه خواندن
بنچمارک EnactToM: شکست ۱۰۰ درصدی مدل‌های پیشرو در وظایف کاربردی نظریه ذهن

بنچمارک EnactToM: شکست ۱۰۰ درصدی مدل‌های پیشرو در وظایف کاربردی نظریه ذهن

مدل‌های پیشرو در درک باورهای دیگران موفق‌اند اما در محیط‌های سه‌بعدی نمی‌توانند بر اساس این دانش عمل کنند. بنچمارک جدید EnactToM نشان می‌دهد هفت مدل برتر در تمامی وظایف دشوار…

۲ دقیقه خواندن
گزارش Palisade: سرعت تکثیر عامل‌های هوش مصنوعی از آمریکا تا هند در ۵۰ دقیقه

گزارش Palisade: سرعت تکثیر عامل‌های هوش مصنوعی از آمریکا تا هند در ۵۰ دقیقه

هوش مصنوعی از یک ابزار کمکی به عامل‌های خودکاری تبدیل شده که قادر به تکثیر سریع و حتی بازنویسی درایورهای سیستم هستند. این تحول، معماری مراکز داده را به سمتی می‌برد که در آن…

۳ دقیقه خواندن۱