نجح الباحثون في تقديم تقنية جديدة تُعرف بـTask-CoEvolve، والتي تمثل قيمة مضافة في مجال تحسين وكالات الذكاء الاصطناعي (LLM Agents). هذه التقنية تتميز بقدرتها على تحسين الشفرات البرمجية لوكالات الذكاء الاصطناعي باستخدام مهام تحقق مختارة بشكل تكيفي، مما يضمن زيادة الأداء بشكل ملحوظ دون الحاجة لتحديث أوزان النماذج الأساسية بشكل متكرر.

تواجه الأساليب التقليدية تحديات مزدوجة، حيث تتطلب عادةً تقييم مجموعة ثابتة من مهام التحقق في كل تكرار، مما يؤدي إلى تكاليف تقييم مرتفعة على المهام التي تقل فعالية بمرور الزمن. لكن مع تقنية Task-CoEvolve، يتم تطوير مهام التحقق بشكل يتزامن مع تحسين الحزمة، ما يسهم في تجاوز العقبات التقليدية.

يستند Task-CoEvolve إلى ملاحظة أن المهام التي يختلف فيها الأداء بين الوكالات تعتبر أكثر فائدة لفهم الفروقات بينها، بدلاً من تلك المهام التي تُحل باستمرار أو تُفشل دائماً. يستخدم النظام استخراج بيانات مُوزون بالأهمية على أساس النتائج الماضية، مما يساعد في توجيه التقييم نحو المهام القريبة من الحدود القصوى لقدرات الوكالة.

تمكنت التجارب التي تم إجراءها على تصنيفات النصوص عبر الإنترنت وعلى مجموعة Terminal-Bench 2.1 من إثبات أن Task-CoEvolve يتفوق باستمرار على الأساليب الثابتة بنسبة تصل إلى 80% من تقييمات تحسين الأداء، مع تحقيق أداء نهائي متوازن.

للمزيد من التفاصيل، يمكنكم زيارة GitHub.

ما رأيكم في هذا التطور المذهل في عالم الذكاء الاصطناعي؟ شاركونا في التعليقات!