ÉlőUtoljára: 39 perceMa: 1
Modellek & LLMfrissítve: 08:26

Az LLM-ügynökök ön szerveződése 14%-kal veri a tervezett struktúrákat

Egy 25 000 feladatot tartalmazó kísérletben a kutatók nyolc LLM-et és 4-256 ügynököt teszteltek, ahol a hibrid, szekvenciális "Sequential" protokoll 14 %-kal felülmúlta a központosított hierarchiákat, a különbség statisztikailag szignifikáns volt (p<0.001).

Az LLM-ügynökök ön szerveződése 14%-kal veri a tervezett struktúrákat
Fotó: Christian Wiediger / Unsplash
forrás: ArXiv AI·AI Forradalom szerk.·
Megosztás

Az amerikai kutatók 25 000 feladatot tartalmazó kísérlet során 8 LLM-t és 4–256 ügynököt használtak. A 8 különböző koordinációs protokoll közül a „Sequential” – egy hibrid, szekvenciális rendszer – 14 % -kal jobb teljesítményt nyújtott, mint a központosított hierarchiák. A különbség statisztikailag is szignifikáns (p<0.001), a protokollok közti minőségi szórás 44 % volt (Cohen’s d = 1,86, p<0.0001). (ArXiv AI)

A felfedezés lényege, hogy az LLM-ügynökök minimalis szerkezeti támasz – egy fix sorrend – mellett önmagukban alkotnak speciális szerepeket, önként lemondanak a kompetenciájukon kívüli feladatokról, és felhalmozódó hierarchiákat hoznak létre. Ez a viselkedés már jelenlegi modelleknél is megfigyelhető, anélkül, hogy előre meghatározott szerepeket vagy külső tervezést igényelne.

A kutatók szerint a modell képessége határozza meg, mennyire sikeres az önszerveződés. Erősebb modellek hatékonyan szerveződnek, míg a képességküszöb alatti modellek még a merev struktúrákban is profitálnak. Ez azt jelzi, hogy a modellek fejlődése szorosan összefügg az önálló szerveződés mértékével.

Az eredmények szerint a hibrid, szekvenciális protokollok a jövőben kulcsfontosságúak lehetnek a nagyobb hatékonyság és a feladatok szakterület szerinti specializáció elérésében. A kutatók felhívják a figyelmet arra, hogy a következő lépés a protokollok finomhangolása és a modellek képességének további növelése.

tetszett a cikk? oszd meg →
Megosztás

Tetszik az oldal? Támogasd a fejlesztést

Az AI Forradalom egy automatizált pipeline: napi adatgyűjtés, LLM-feldolgozás és infrastruktúra fenntartása valódi költségekkel jár. Ha értékesnek találod a tömör, naprakész AI-összefoglalókat, egy kávé sokat segít.

Támogatom