في عالم الذكاء الاصطناعي، تحتاج البيئات المعتمدة على أسلوب Claw إلى تطويرها بشكل فعال لتحسين أداء الوكلاء. لهذا السبب، تم تطوير ClawGym، وهو إطار عمل متكامل وقابل للتوسع يضمن تحسين دورة حياة تطوير الوكلاء.

تدعم ClawGym البيئات متعددة الخطوات، التي تعمل بسلاسة عبر الملفات المحلية، والأدوات، وحالات العمل المستدامة. ومع ذلك، ظل تطوير هذه البيئات مقيدًا بسبب نقص إطار عمل منظم لجمع بيانات تدريب موثوقة.

مع ظهور ClawGym، تم إنشاء مجموعة بيانات ClawGym-SynData، حيث تحتوي على 13,500 مهمة مُرشحة تم تضمينها من نوايا مدفوعة بالشخصيات وعمليات أساسية. تم استخدام مساحات عمل واقعية وآليات للتحقق الهجين لتعزيز هذه التجربة. عملت هذه المنصة على تدريب عائلة من النماذج القوية المسماة ClawGym-Agents من خلال تحسين إشرافية على مسارات الإطلاق المظلم.

وهم أيضًا يستكشفون التعلم المعزز من خلال أنظمة خفيفة الوزن تقوم بتوزيع مهام متوازية عبر كل صندوق من صناديق المهام.

لضمان تقييم موثوق، تم إنشاء ClawGym-Bench، وهو معيار يتكون من 200 حالة تم معايرتها من خلال تصفية آلية ومراجعة بشريّة مع نماذج لغوية كبيرة (LLMs).

لزيارة موارده وخدماته الجديدة، يمكنكم متابعة تطورات ClawGym من خلال الرابط: https://github.com/ClawGym.

إلى أي مدى تعتقد أن إطار ClawGym سيساهم في تحسين وكالات الذكاء الاصطناعي؟ شاركونا آرائكم في التعليقات!