هل قتلت ستانفورد للتو الضبط الدقيق لماجستير القانون؟ تثبت هذه الورقة الجديدة من جامعة ستانفورد ، المسماة هندسة السياق الوكيل (ACE) ، شيئا جامحا: يمكنك جعل النماذج أكثر ذكاء دون تغيير وزن واحد. إليك كيفية عملها: بدلا من إعادة تدريب النموذج ، يطور ACE السياق نفسه. يكتب النموذج مطالبته الخاصة ، ويفكر في ما نجح وما لم ينجح ، ثم يعيد كتابته. مرارا وتكرارا. يصبح نظاما ذاتيا للتحسين الذاتي. فكر في الأمر مثل النموذج الذي يحتفظ بدفتر ملاحظات حي حيث يصبح كل فشل درسا ويصبح كل نجاح قاعدة. النتائج مثيرة للإعجاب: - أفضل بنسبة 10.6٪ من الوكلاء الذين يعملون بنظام GPT-4 على AppWorld - 8.6٪ تحسين في مهام التفكير المالي - تكلفة وزمن انتقال أقل بنسبة 86.9٪ لا توجد بيانات مصنفة مطلوبة. مجرد حلقات ردود الفعل. هذا هو الجزء غير البديهي: الجميع يطارد مطالبات قصيرة ونظيفة. ACE يفعل العكس. إنه يبني كتيبات لعب كثيفة ومتطورة تتراكم بمرور الوقت. تبين أن LLMs لا تحتاج إلى البساطة. إنهم بحاجة إلى كثافة السياق. السؤال هنا هو كيفية إدارة كل هذه المعلومات والخبرات. هذا هو المكان الذي يمكن أن يكون فيه بناء طبقة ذاكرة في الوقت الفعلي للوكلاء (على سبيل المثال @zep_ai) حلا رائعا ومجالا نشطا للبحث للمضي قدما. ما هي أفكارك؟ لقد ربطت الورقة في التغريدة التالية! ____ إذا وجدت أنه ثاقب ، فأعد مشاركته مع شبكتك. تجد لي → @akshay_pachaar ✔️ لمزيد من الرؤى والبرامج التعليمية حول LLMs ووكلاء الذكاء الاصطناعي والتعلم الآلي!

رابط إلى الورقة: