Posta kutunuzda daha akıllı bilgiler mi istiyorsunuz? Sadece AI, veri ve güvenlik liderleri için önemli olanı elde etmek için haftalık bültenlerimize kaydolun. Şimdi kaydolun
Google Araştırmacılar geliştirdi Ana Openai rakip sistemlerini, şaşkınlıkları ve diğerlerini aşan araştırma temsilcileri için yeni çerçeve referans parametrelerinde.
Yeni ajan, Derin araştırmacı zaman testinin yayılması (TTD-DR), insanların bir taslak hazırlama sürecinden yazma, bilgi arama ve inceleme incelemeleri ile ilham alır.
Sistem, karmaşık konularda daha eksiksiz ve doğru araştırmalar yapmak için difüzyon mekanizmaları ve evrimsel algoritmalar kullanır.
Şirketler için bu çerçeve Çok değerli görevler için yeni nesil terzi araştırma görevlilerini besleyebilir standart olan Artırılmış kurtarma üretimi (RAG) Sistemler, rekabetçi bir analiz veya piyasa erişim ilişkisi nasıl üretileceği ile mücadele eder.
Sınırlarının azaltılması sınırlarını etkiler
Güç sınırları, belirteç maliyetlerindeki artış ve çıkarımların gecikmeleri IA girişimini yeniden şekillendiriyor. En iyi takımların nasıl olduğunu öğrenmek için özel salonumuza katılın:
- Enerjiyi stratejik bir avantaja dönüştürün
- Kraliyet verim kazanımları için etkili bir çıkarımla Architec
- Sürdürülebilir sistemlerle rekabetçi yatırım getirisinin kilidini açın
Öne çıkmak için yerinizi koruyun: https://bit.ly/4mwgngo
Belgenin yazarlarına göre, gerçek dünyanın kurumsal kullanımı durumları sistem için ana hedefti.
Mevcut derin araştırma ajanlarının sınırları
Derin araştırma ajanları (DR), basit bir araştırmanın ötesine geçen karmaşık sorgularla yüzleşmek için tasarlanmıştır. Bilgi toplamak için Web Arama gibi araçları kullanmak ve ardından sonuçları ayrıntılı bir ilişki ile özetlemek için büyük modeller (LLM) kullanırlar. Test süresi küçülme tekniklerini test etmek Düşünce zinciri (COT) arayışı gibi, en iyi N örneklemesi ve Monte-Carlo ağacının araştırması.
Bununla birlikte, bu sistemlerin çoğunun temel tasarım sınırları vardır. Çoğu DR ajanı, insan bilişsel davranışını yansıtan bir yapı olmaksızın algoritmalar ve test test araçları uygular. Açık kaynak ajanları genellikle katı doğrusal veya paralel bir planlama, araştırma ve içerik oluşturma planını takip eder, Araştırmanın farklı aşamaları için birbirini etkileşime sokan ve düzeltmeyi zorlaştırır.
Bu, ajanın küresel araştırma bağlamını kaybetmesini ve farklı bilgiler arasındaki kritik bağlantıları kaybetmesini sağlayabilir.
Belgenin yazarlarının notu olarak, “Bu, DR ajanlarının mevcut çalışmasında temel bir sınırlamayı göstermektedir ve insan araştırma becerilerini taklit eden veya aşan DR ajanları için daha uyumlu ve özel olarak inşa edilmiş bir çerçeveye ihtiyaç olduğunu vurgulamaktadır”.
İnsan yazma ve difüzyondan esinlenen yeni bir yaklaşım
Çoğu ajan AI’nın doğrusal sürecinden farklı olarak, insan araştırmacıları yinelemeli bir şekilde çalışır. Genellikle bir Yüksek seviyeli plan, ilk taslak oluşturur ve bu nedenle birkaç revizyon döngüsüne katılır. Bu incelemeler sırasında, konularını güçlendirmek ve boşlukları doldurmak için yeni bilgiler arıyorlar.
Google araştırmacıları bunu gözlemledi İnsan süreci kullanılarak taklit edilebilir Difüzyon modeli bir kurtarma bileşeni ile arttı. (Difüzyon modelleri genellikle görüntülerin üretilmesinde kullanılır. Gürültülü bir görüntü ile başlarlar ve ayrıntılı bir görüntü haline gelene kadar yavaş yavaş iyileştirirler.)
Araştırmacıların açıkladığı gibi, “Bu benzetmede, eğitimli bir difüzyon modeli genellikle gürültülü bir taslak ve iyileştirme araçlarının yardımına yardım eder, bu üstün kalite çıktıları (veya yüksek çözünürlük) taslağını gözden geçirir”.
TTD-DR bu proje üzerine kurulmuştur. Çerçeve, ilk “gürültülü” bir projenin rafine bir nihai ilişkide kademeli olarak mükemmelleştirildiği bir difüzyon süreci olarak bir araştırma ilişkisinin yaratılmasıyla ilgilenir.
Bu iki temel mekanizma ile elde edilir. Araştırmacıların “iyileşme ile deenising” dediği birincisi, bir ön taslakla başlar ve yinelemeli olarak geliştirir. Her adımda, ajan mevcut taslağı yeni araştırma sorguları formüle etmek, harici bilgileri kurtarmak ve bunları yanlışlıkları düzelterek ve detay ekleyerek ilişkiyi “belirtmek” için entegre etmek için kullanır.
İkinci mekanizma olan “Öz -Evrim”, ajanın her bir bileşeninin (planlayıcı, talep jeneratörü ve cevap sentezleyici) performansını bağımsız olarak optimize ettiğini garanti eder. VentureBeat’e yapılan yorumlarda, bir Google araştırmacısı ve belgenin ortak yazarı Rujun Han, bileşen düzeyindeki bu evrimin önemli olduğunu açıkladı çünkü “derleme ilişkisini daha etkili hale getirdi”. Bu, sistemin her bir bölümünün özel görevinde giderek daha iyi hale geldiği ve ana inceleme süreci için daha yüksek kaliteli bir bağlam sağladığı evrimsel bir sürece benzer.
Yazarlar, “Bu iki algoritmanın karmaşık etkileşimi ve sinerjistik kombinasyonu yüksek kaliteli arama sonuçları elde etmek için çok önemlidir” diyor. Bu yinelemeli süreç, doğrudan sadece daha doğru değil, aynı zamanda daha mantıklı bir şekilde tutarlı raporlara dönüşür. Han’ın gözlemlediği gibi, model akışkanlık ve tutarlılığı içeren fayda üzerinde değerlendirildiğinden, performans kazanımları iyi yapılandırılmış iş belgeleri üretme yeteneğinin doğrudan bir ölçüsüdür.
Makaleye göre, Ortaya çıkan ortak “sektördeki farklı sektörlerde karmaşık araştırma uygulamaları için yararlı ve eksiksiz ilişkiler üretebilir. Finans, Biyomedikal, Rekreasyon ve Teknoloji dahil “, Opeeni, şaşkınlık ve GroK’ın aynı derin araştırma ürünleri sınıfına koydu.
TTD-R eylemde
Çerçevelerini oluşturmak ve test etmek için araştırmacılar Google’ı kullandı Ajanlar Geliştirme Kiti (ADK), orkestra kompleksleri için iş akışları için genişletilebilir bir platform, İkizler 2.5 Pro LLM Core gibi (diğer modellerle değiştirebilseniz bile).
TTD-DR’yi ana ticari ve açık kaynak sistemleriyle karşılaştırdılar, Openi Derin AraştırmaDerin Araştırma, Grook DeepSearch ve açık kaynaklı şaşkınlık GPT-araştırmacı.
Değerlendirme iki ana alana odaklanmıştır. Tam uzun şekilli ilişkiler üretmek için, Benchmark DeepConsultUzun vadeli araştırma verilerinizle birlikte ticari talimatlar ve tavsiyelerle ilgili bir koleksiyon. Büyük araştırma ve akıl yürütme gerektiren çok hızlı soruları cevaplamak için, ajanı akademik ve gerçek ölçütlere meydan okumak için test ettiler. İnsanlığın son sınavı (Hle) e Gaia.
Sonuçlar, TTD-DR’nin rakiplerini sürekli aşırı performans gösterdiğini gösterdi. Uzun vadeli raporların üretilmesinde derin bir arama openii ile yan yana, TTD-DR iki farklı veri setinde% 69.1 ve% 74.5 zafer oranı elde etmiştir. Ayrıca,%4.8,%7.7 ve%1.7 performans kazançları ile öz yanıtlar bulmak için çoklu hope akıl yürütmeyi gerektiren üç ayrı ölçütle OPEENI sistemini aştı.
Test süresinin yayılmasının geleceği
Mevcut araştırma, web araştırmasını kullanarak metne dayanan metne odaklanırken, çerçeve oldukça uyarlanabilir olacak şekilde tasarlanmıştır. Han, ekibin karmaşık kurumsal görevler için birden fazla araç dahil etmek için işi genişletmeyi planladığını doğruladı.
A Karmaşık bir yazılım kodu oluşturmak için benzer “zaman zamanının difüzyonu” kullanılabilir– Ayrıntılı bir finansal model oluşturunVEYA Çoklu stadyum pazarlama kampanyası tasarlarProjenin ilk “taslağı” olduğu yerlerde Yeni bilgilerle mükemmel bir şekilde rafine edilmiş Ve çeşitli özel araçlardan geri bildirim.
“Tüm bu araçlar doğal olarak çerçevemize dahil edilebilir,” dedi Han, taslaklara odaklanan bu yaklaşımın çok çeşitli karmaşık ve çeşitli aşamalarda yapay zeka ajanları için temel bir mimari olabileceğini öne sürüyor.
