في عالم الذكاء الاصطناعي، تتزايد الحاجة إلى تحسين كفاءة نماذج اللغة الضخمة (Large Language Models) في تنفيذ المهام المعقدة من خلال التعاون بين عدة وكلاء. هذا الأمر دفع الباحثين إلى تطوير تقنية جديدة تُعرف باسم Codebook Agent، والتي تُحدث ثورة في كيفية إدارة الاتصال بين وكلاء النظام.

تقنية Codebook Agent تعتمد على إعادة تصميم الهيكلية المعمارية لشبكات الوكلاء من خلال تبني تصميمات مستقلة للطلبات، مما يزيد من دقة النظام وكفاءته. في الماضي، كانت الفرق تستخدم نماذج غير فعالة تعاني من بطء في الأداء بسبب الطريقة التقليدية في توليد الرسوم البيانية، حيث كانت تعتمد على بحث غير مثمر في الفضاء المتشابك وفقاً لعدد من الأبعاد الواسعة.

ومع ذلك، تظهر الأبحاث الجديدة أن تصميمات الشبكات المتعددة قد تُختصر إلى نحو ستة رسوم بيانية مُتميّزة، حتى عند زيادة سعة قاعدة الأكواد. يُشير الباحثون إلى أن العدد الزائد للحواف يميل إلى التأثير سلبًا على استهلاك التوكنات، مما يزيد من تكلفة المعالجة—وهذا يتطلب حلولًا مبتكرة.

Codebook Agent يقدم حلاً مثيرًا للاهتمام، حيث يستفيد من مشفرات موجهة لتحويل الهياكل الناجحة إلى قاعدة بيانات تتكون من 16 إدخالًا مستقلًا عن الاستعلامات. تستخدم خوارزمية تعلم الآلة المرتبطة بها خوارزميات لضبط نتائج شجرة القرار وفقًا للمنفعة واحتياجات التكاليف المُحسوبة بمعدل أقل من التوكنات.

النتيجة هي أن Codebook Agent يمثل الطريقة الأكثر دقة عبر جميع المناطق الست التي اختبرها الباحثون، مع تحقيق متوسط دقة يصل إلى 84.6 مقارنة بـ 83.0 للطريقة السابقة الأكثر قوة. بالإضافة إلى ذلك، يتم إصدار الهيكلية المطلوبة في 2.4 مللي ثانية، مع استخدام 21.9 - 33.2% من توكنات نماذج اللغة الأقل.

لم يكن هناك حاجة للبحث التكراري أو تمرير الرسائل أثناء وقت الاختبار، مما يجعل هذه التقنية رائدة في عالم الذكاء الاصطناعي.

هل أنتم متحمسون لهذه التطورات الجديدة في عالم الذكاء الاصطناعي؟ دعونا نتبادل الآراء في التعليقات!