Google Research yapay zeka etmenlerini geliştiren RRSI yöntemini tanıttı
Öne çıkanlar
- RRSI, etmenlerin çevre bileşenlerini sabit modeller üzerinde düzenleyerek iyileştiriyor.
- Arama süreci Git iş ağaçlarında yürütülüyor ve sızıntı denetiminden geçiriliyor.
- Terminal-Bench 2.1 başarı oranı yüzde 74,2'den yüzde 80,2'ye yükseldi.
Google Research araştırmacıları, büyük dil modeli etmenlerinin çevre bileşenlerini otomatik olarak iyileştiren RRSI yöntemini yayımladı. Geliştirilen yaklaşım, modelin kendisine dokunmadan istemler, kontrol akışı, bellek ve araçlar gibi dış katmanları düzenliyor. Sabit eğitim kümelerinde yaşanan aşırı öğrenme sorununu çözmeyi hedefleyen sistem, arama sürecini çeşitli kurallarla sınırlayarak genel performansı koruyor.
Yöntem, aday düzenlemeleri değerlendirmeden önce veri sızıntısına karşı denetleyen bir eleştirmen mekanizması ve geçmiş denemeleri takip eden bir düzenleyici içeriyor. Başarısız olan hipotezler elenirken, arama süreci daha önce denenmemiş mimari bileşenlere yönlendiriliyor. Ayrıca aday sistemler Git dalları üzerinde çalıştırılıyor ve yalnızca belirli başarı eşiklerini aşan değişiklikler ana sürüme ekleniyor.
Araştırma ekibi RRSI sistemini kodlama, doküman işleme ve mühendislik tasarımı alanlarında test etti. Terminal-Bench 2.1 üzerinde yüzde 74,2 olan başarı oranı yüzde 80,2 seviyesine çıktı; dağıtım dışı SWE-bench Verified testinde ise yüzde 83,8 oranına ulaşıldı. Benzer kazanımlar Harvey LAB ve EngDesign gibi farklı test ortamlarında da ölçüldü.
Bu özet yapay zekâ ile hazırlanmıştır; ayrıntılar ve doğrulama için orijinal kaynağa başvurun.