A Google Deepmind csökkenti a keresési iterációkat akár 2,43-szorosra a Dream-RSI-vel

A kutatók a Google-től és a Deepmind-től a keresési folyamatot optimalizálják úgy, hogy a már befejezett futásokat új stratégiák tesztelésére használják fel, anélkül hogy a modell vagy az értékelő újra lefutna — írja a The Decoder.

Dream-RSI működése

A módszer a keresési fa mentett állapotát újra lejátszva „álmodik” a különböző döntési útvonalakról, így a rendszer meg tudja mondani, mi történt volna, ha másik stratégiát alkalmazna, miközben a számítási költség alacsony marad.

Teljesítménytesztek Gemini modellekkel

A Gemini 3.1 Pro és a Gemini 3.7 Flash modellekkel nyolc feladatot vizsgáltak három területen; egy genomikai-finanszírozási statisztikai számítás esetén a futási idő 3 587 ms-ről 2 931 ms-re csökkent, a próbálkozások száma 550-ről 317-re.

Két GPU-feladatnál a Dream-RSI a generációk számát akár 2,43-szorosra csökkentette, míg két másik esetben 2,09-ször jobb teljesítményt ért el ugyanazon költségkereten belül.

Korlátok és további elemzés

Egy követő vizsgálatban a kutatók a keresési előzményeket utasításokká sűrítették, de az egy GPU-feladaton a túl szigorú irányelvek miatt a teljesítmény romlott, ami azt mutatja, hogy a túl specifikus útmutatás korlátozhatja a felfedezést.

A kód és a részletes leírás a GitHub-on érhető el, amelyet a Google és a Deepmind közösen publikált.