بحث: تقليل عدد الرموز في نماذج ACE
يقدّم نظام ALTK-Evolve طريقة لتقليل الرموز المستخدمة في ذاكرة وكلاء الذكاء الاصطناعي، عبر استرجاع الإرشادات المناسبة للمهمة بدل ضخّ دليل كامل في كل خطوة. ويقارن المقال هذا النهج بنظام ACE، الذي يحتفظ بدليل شامل ويرسله كاملًا مهما اختلف النموذج أو المهمة. وفي اختبار AppWorld، تفوّق ALTK-Evolve على النموذج القوي بمقياسين وبكلفة استدلال تقارب ٤٠٪ من كلفة ACE، بينما حقق على النموذج الأضعف دقة ٥٦٫٠ مقابل ٥٤٫٨ لكلفة تقارب السبع. وتختلف النتيجة بحسب صعوبة المهمة وقوة النموذج، لذلك يختار النظام بين الاسترجاع الانتقائي والمجموعة الكاملة من الإرشادات.
الحقائق الأساسية
يعتمد ALTK-Evolve على عدد صغير ثابت من الإرشادات ذات الدعم الأعلى، ثم يضيف إرشادات مختارة بحسب المهمة أو يرسل المجموعة الموحدة كاملة عند الحاجة.
«We treat delivery as a dial, not a constant: a small fixed core of high-support guidelines, extended per task with a handful selected for the task at hand (cosine or LLM-guided, priority-weighted) — or, when a model has the headroom to use it, the full consolidated set.»
عرض المصدر ←في اختبار AppWorld، حقق النظام على النموذج الأضعف دقة ٥٦٫٠ مقابل ٥٤٫٨ لـACE، مع كلفة تقارب السبع.
«On the weak model we edge ACE 56.0 to 54.8 — close enough that we call it a tie on accuracy (a repeat run of ours landed at 54.8, matching ACE almost exactly, which is within this benchmark's run-to-run noise) — at about one-seventh the cost.»
عرض المصدر ←
المصادر
شفت معلومة تحتاج تصحيح؟ بلّغنا ونتحقق ونصحّح — سياسة التصحيح
صحّح هذا الخبر