The Evolution of Intelligence: From Skill Markdown to Experience Banks
Исследование XSill от университета Гонконга и USC представило архитектуру автономных иагентов, которая отказывается от дорогостоящего процесса дообучения и переходит к изолированным базам опыта. Это позволяет агентам учиться и обновлять свои знания без переобучения, улучшая эффективность на 40%. Архитектура разделена на фазу аккумуляции и фазу вывода, где опыт играет ключевую роль в поведенческом сдвиге агентов.
Что забрать из ролика в дело
Введение
Исследование XSill представляет фундаментальный сдвиг в архитектуре автономных иагентов, который меняет правила игры в области обучения и эффективности мультимодальных моделей.
Отказ от дообучения
Архитектура Xill представляет концептуальный отказ от дорогостоящего процесса дообучения и переходит к изолированным базам опыта для самообновления и обучения агентов.
Источник навыков
Агенты XSill извлекают базовые навыки из топовых репозиториев GitHub в различных нишах, используя dance Retrieval и плотный векторный поиск для преобразования хаоса в аккуратные файлы.
Извлечение знаний
Агенты XSill используют опыт для извлечения знаний без дополнительного обучения, что позволяет им быстро применять знания в новых ситуациях и улучшать передачу знаний на 40%.
Фаза аккумуляции и вывода
Архитектура XSill разделена на фазу аккумуляции, когда агент формирует базу процедурных навыков и банк опыта, и фазу вывода, где применяет знания в условиях частичной слепоты, что позволяет ему адаптироваться в открытой среде.
Для оператора входа в AI, таких как buyanov.io, это означает, что оркестрация моделей и автоматизация должны включать изолированные базы опыта для самообучения и самообновления без дорогостоящего переобучения. Это улучшит предсказуемость и безопасность систем, позволяя корпорациям легко внедрять и корректировать агентов без остановки процессов.