تمثل تقنية Ratchet خطوة متقدمة في مجال وكالات نماذج اللغات الضخمة (Large Language Models)، حيث تتيح تنفيذ مكتبات مهارات ذاتية التطور دون الحاجة لتحديثات الوزن. هذه التقنية، التي تم تطويرها جزئيًا على يد إنجازات سابقة مثل Voyager، تبرز التحديات الكبيرة التي يواجهها الباحثون في تحصيل مهارات موثوقة.

تشير الدراسات الجديدة إلى أنه بينما يمكن للمهارات التي تؤلفها نماذج اللغة أن تقدم تحسنًا ضئيلًا، إلا أن المهارات التي ينظمها الإنسان تظهر تحسنًا ملحوظًا يبلغ +16.2 نقطة مئوية. وبالتالي، يطرح السؤال: كيف يمكننا تحسين عملية إدارة دورة حياة هذه المهارات؟

تعتمد Ratchet على حلقة واحدة لوكالة تتضمن كتابة واسترجاع وتنظيم وإحالة نفسها لمهارات اللغة الطبيعية. ويستخدم نظام Ratchet أربعة آليات أساسية تشمل التقاعد القائم على النتائج، ورفع القدرة النشطة، وإرشادات تأليف المهارات الفوقية، وتوحيد الأنماط.

المثير في ذلك هو أن الأداء تحسن بشكل ملحوظ، حيث زادت نسبة النجاح من قيمة أساسية بلغت 0.258 إلى متوسط 0.584 عبر 100 جولة، مما يعني تحسنًا كبيرًا بنحو +0.328.

ومع إجراء ثمانية تجارب منفصلة، تم اكتشاف أن الوصفة الفعالة في تصميمة أقل تعقيدًا مما تم التفكير فيه، حيث كانت آلية التقاعد وتوجيه تأليف المهارات الفوقية هما العنصران الرئيسيان في حصد الفوائد..

تفسر فرضية عدم الانحراف كيف يمكن أن تبقي هذه الآليات الأداء المتوقع بعيدًا عن الحدود الدنيا. تعتبر هذه التطورات مثيرة للاهتمام، حيث تغري بتوجه جديد نحو تحسين وكالات الذكاء الاصطناعي ذات التعلم الذاتي.