RSS VentureBeat
Подписаться
Новый метод обучения ИИ создает мощных программных агентов всего на 78 примерах
Новое исследование представляет LIMI — фреймворк, демонстрирующий, что меньший объем данных может привести к созданию более интеллектуальных ИИ-агентов. Исследователи обнаружили, что высококачественные демонстрации действий агентов, а не огромные наборы данных, являются ключом к разработке автономных ИИ-систем. Подход LIMI фокусируется на подборе стратегически отобранных примеров решения задач ИИ. Эксперименты показали, что модель, обученная всего на 78 тщательно отобранных демонстрациях, значительно превзошла модели, обученные на тысячах примеров. Это открытие имеет решающее значение для корпоративных приложений, где сбор данных сложен и дорог. Агентность определяется как ИИ-системы, способные автономно выявлять проблемы, формулировать гипотезы и выполнять решения. Текущее обучение LLM часто предполагает, что больше данных равно более высокой агентной интеллектуальности, что приводит к сложным конвейерам и высоким требованиям к ресурсам. Метод LIMI включает сбор запросов и подробных траекторий действий ИИ для их решения. Набор данных был создан с использованием реальных сценариев и синтезированных запросов, проверенных экспертами. Траектории фиксировали полный процесс решения задач, включая ошибки и исправления. Модели, обученные по методу LIMI, показали превосходные результаты в тестах на агентные навыки, использование инструментов и программирование. Исследование предполагает, что освоение агентности заключается в понимании ее основных принципов, а не просто в масштабировании данных. Этот фреймворк предлагает устойчивый путь для разработки специализированных ИИ-агентов для бизнеса.
