موضوع
گزارش‌ها و تحلیل‌های مربوط به توانایی تکرار و تأیید نتایج پژوهش‌های هوش مصنوعی
۲۲۶ مقاله منتشر شده
توسعه سامانه‌های پیچیده چندعاملی به‌دلیل نیاز به اجرای مجدد کل خط لوله برای تغییرات کوچک، بسیار هزینه‌بر است. رویکرد جدیدی با تبدیل جریان‌های کاری به گراف‌های وابستگی و استفاده از…
یک تحلیل فنی نشان می‌دهد که یادگیری تقویتی با پاداش‌های قابل تأیید (RLVR) می‌تواند با افزایش دقت ظاهری، تنوع نمونه‌گیری مدل را به‌شدت کاهش دهد. این وضعیت که «رژیم تخریب» نامیده…
پلتفرم Oqoqo با جایگزینی محک‌های سنتی با محیط‌های ایزوله (Sandbox)، امکان تست تعامل عامل‌ها با APIها و SDKهای واقعی را فراهم می‌کند. این ابزار هر فراخوانی ابزار و هزینه توکن را…
روش‌های سنتی تحلیل لاگ در شناسایی «رانش» (Drift) عامل‌های هوش مصنوعی ناتوان‌اند، زیرا مدل‌ها بدون ایجاد خطا، ابزارها را نادیده می‌گیرند. سیستم پیشنهادی Run Card با استفاده از…
برخی توسعه‌دهندگان به اشتباه متن چت عامل‌های هوش مصنوعی را به جای تغییرات واقعی فایل‌سیستم می‌پذیرند. این راهنما چارچوبی برای تطبیق ادعاهای مدل با واقعیت دیسک از طریق ابزارهای git…
یک چارچوب اعتبارسنجی جدید هشدار می‌دهد که گزارشات (Logs) عامل‌های هوش مصنوعی اغلب بیشتر شبیه به «نمایش» هستند تا مدرکی بر اجرای واقعی کد. این رویکرد، اعتماد به تاریخچهٔ چت را با…
یک چارچوب تست محلی جدید به توسعه‌دهندگان اجازه می‌دهد تا استخراج‌کننده‌های مدل زبانی را با استفاده از «رسیدهای سایه» جایگزین پارسرهای Regex کنند. این روش با مقایسه دقیق فیلدهای…
بسیاری از توسعه‌دهندگان تست‌های تولیدشده توسط هوش مصنوعی را معیار کیفیت می‌دانند، اما وقتی یک مدل هم کد و هم تست را می‌نویسد، یک حلقه منطقی بسته ایجاد می‌شود. ارزیابی واقعی…
توسعه‌دهنده‌ای به نام gulding با ساخت مدل EmsyAI (V4) از صفر، چالش‌های پایداری در مقیاس‌بندی مدل‌های زبانی را بررسی کرد. این پروژه نشان می‌دهد که مدل‌های بسیار کوچک حتی در صورت…
یک پیاده‌سازی متن‌باز جدید نشان می‌دهد چگونه می‌توان از یادگیری تقویتی برای آموزش «سلیقه» به مدل‌های زبانی کوچک استفاده کرد. این پروژه با پاداش دادن به کدهایی که آبرنگ‌های زیباتری…
اتکا به گزارش «تست‌ها پاس شدند» در عامل‌های کدنویس، یک خطای حسابداری است نه مسئله‌ای اخلاقی. برای دستیابی به قابلیت اطمینان واقعی، باید شواهد اجرایی را مستقیماً به SHAهای خاصِ…
تیم مهندسی گوگل چارچوبی را معرفی کرد که در آن مدل‌های زبانی به‌جای دستورات مبهم، از معیارهای سخت‌گیرانه و بله/خیر (Boolean) برای نمره‌دهی به سایر عامل‌ها استفاده می‌کنند. این روش…