في عالم الذكاء الاصطناعي، لا تزال النماذج الوكيلة تعتمد على أساليب تقليدية، وهذا ما جعلها تواجه صعوبات متكررة في الأداء. ولكن في خطوة مبتكرة، قدم باحثو جامعة ستانفورد نظام TRACE (Technology for Reusable Abilities in Capable Environments) الذي يهدف إلى معالجة هذه العيوب وتحسين القدرات.

يعمل نظام TRACE على تشخيص نقاط الضعف في أداء الوكلاء بناءً على مساراتهم السابقة، حيث يقوم بتوليد بيئة تدريب يمكن التحقق منها لكل قدرة على حدة. وهذا يعني أنه يمكن معالجة أخطاء محددة بدقة وتوفير تدريب مخصص لكل مشكلة.

من خلال تدريب محول LoRA (Low-Rank Adaptation) لكل قدرة، يتم تحسين أداء النموذج بشكل ملحوظ. وقد ساهم ذلك في تحقيق تحسن قدره 15.3 نقطة على مقياس τ²-Bench، حيث حقق النظام نسبة نجاح بلغت 73.2% على مقياس SWE-bench Verified. هذا التطور يعد إنجازاً مهماً في ميدان الذكاء الاصطناعي، حيث يعكس إمكانية تحسين الأداء بشكل مستمر.