Mensahe ni AIMPACT, Mayo 19 (UTC+8), ayon sa pagmamasid ng Beating, ipinahayag ni Prime Intellect ang open-source na environment para sa pag-train ng agent na general-agent, isang ganap na sintetikong kapaligiran na may kakayahang mag-ebolusyon sa sarili. Ang pangunahing bahagi ng paglabas ay ang pagpapahiwatig ng pagbuo ng mga gawain bilang isang laro ng dalawang manlalaro: ang pagkakaalit ng synthesizer at solver. Kasalukuyang binuo nang awtomatiko ang isang malaking database na may 4,504 na gawain at higit sa 8,000 na natatanging mga kasangkapan. Ang framework ay nagsisimula sa simpleng seed task, at ginagamit ang siyam na estratehiya tulad ng kondisyonal na pagkakasundo, ingay na utos, at cross-entity coupling upang hatiin ang mga gawain sa limang antas ng hirap mula t0 hanggang t4. Ang synthesizer ay responsable sa pagdidisenyo ng mga gawain na may database, interaktibong kasangkapan, at mga function para sa pag-verify, habang ang solver ay nagtatry na tapusin ang mga gawain. Tanging ang mga gawain na may pagkakatumpak na nasa tiyak na antas ng hirap ang matitira, at ang pinakamahirap na antas ay gagamitin bilang seed para sa susunod na pag-ebolusyon. Ayon sa pagsusuri ng opisyal, ang pagmikro-paghawak lamang ng 30B parameter model gamit ang higit sa 4,400 na trajectory na sintetisado sa kapaligirang ito ay nagdulot ng pagtaas sa tamang paggamit ng kasangkapan mula 18.9% hanggang 52.3% sa BFCL benchmark test. Ang mekanismong ito ay nagpapalaya sa model mula sa pagkakasalig sa manu-manong nakalabel na static dataset. Sa pamamagitan ng direkta na paglalaro sa pagitan ng mga model, ang sistema ay nakakapagbuo nang patuloy ng mga training corpus na may kontroladong hirap at semantic verification. (Pinagmulan: BlockBeats)
Binuksan ng Prime Intellect ang sariling self-evolving AI agent environment na may 8,000+ na mga kasangkapan
KuCoinFlashI-share
Summary
Ipinahayag ni Prime Intellect ang kanyang sariling nag-uunlad na AI agent environment noong Mayo 19 (UTC+8), na may 4,504 na gawain at 8,000+ na kasangkapan. Ginagamit ng adversarial system ang synthesizer at solver upang umunlad mula sa mga simpleng gawain sa pamamagitan ng siyam na estratehiya sa limang antas ng hirap. Tanging ang mga gawain na nakakapasa sa mga threshold ng pass rate ang pinapanatili, at ang pinakamahirap ay ginagamit bilang mga bagong buto. Tumaas ang performance sa BFCL benchmark mula sa 18.9% patungo sa 52.3% pagkatapos i-fine-tune ang isang 30B-parameter model gamit ang 4,400 synthetic trajectories. Ang hakbang na ito ay maaaring mag-impact sa likwididad at crypto markets sa pamamagitan ng pagbabawas sa pagkakasalalay sa mga manual na annotated dataset, posibleng tumutulong sa CFT efforts.
Source:Ipakita ang original
Disclaimer: Ang information sa page na ito ay maaaring nakuha mula sa mga third party at hindi necessary na nagre-reflect sa mga pananaw o opinyon ng KuCoin. Ibinigay ang content na ito para sa mga pangkalahatang informational purpose lang, nang walang anumang representation o warranty ng anumang uri, at hindi rin ito dapat ipakahulugan bilang financial o investment advice. Hindi mananagot ang KuCoin para sa anumang error o omission, o para sa anumang outcome na magreresulta mula sa paggamit ng information na ito.
Maaaring maging risky ang mga investment sa mga digital asset. Pakisuri nang maigi ang mga risk ng isang produkto at ang risk tolerance mo batay sa iyong sariling kalagayang pinansyal. Para sa higit pang information, mag-refer sa aming Terms ng Paggamit at Disclosure ng Risk.