HyperAI

في مجال الوكلاء الذكيين بشكل عام، ينتقل الذكاء الاصطناعي من تنفيذ مهمة واحدة إلى قدرات شاملة مثل التفكير المنطقي والتفاعل متعدد الوسائط والتعلم الذاتي. ومع ذلك، غالبًا ما تكون أساليب تدريب التعلم التعزيزي الحالية مرتبطة ارتباطًا وثيقًا بآليات تنفيذ الوكلاء، ويصعب نقلها، وتتدخل بشدة في النظام.

برز إطار عمل Agent Lightning استجابةً لهذه الحاجة، محققًا فصلًا تامًا بين التدريب والتنفيذ. يتيح هذا الإطار دمج مختلف هياكل الوكلاء دون أي تغييرات تُذكر في الكود. ومن خلال واجهة موحدة وتحليل المسارات، يُحوّل التفاعلات المعقدة إلى بيانات قابلة للتدريب، مما يدعم ضبط التعلم المعزز بمرونة في سيناريوهات متعددة.

رابط الورقة:https://go.hyper.ai/se37P

أحدث أبحاث الذكاء الاصطناعي:https://hyper.ai/cn/papers

من أجل السماح لمزيد من المستخدمين بمعرفة أحدث التطورات في مجال الذكاء الاصطناعي في الأوساط الأكاديمية، أطلق الموقع الرسمي لـ HyperAI (hyper.ai) الآن قسم "أحدث الأوراق البحثية"، والذي يقوم بتحديث أوراق البحث المتطورة في مجال الذكاء الاصطناعي كل يوم.إليكم 5 أوراق بحثية شائعة حول الذكاء الاصطناعي نوصي بهافي الوقت نفسه، قمنا أيضًا بتلخيص الخريطة الذهنية لهيكل الورقة للجميع. لنلقِ نظرة سريعة على إنجازات الذكاء الاصطناعي الرائدة لهذا الأسبوع⬇️

توصيات الورقة البحثية لهذا الأسبوع

1 Agent Lightning: تدريب أي عملاء الذكاء الاصطناعي باستخدام التعزيزات تعلُّم

تقترح هذه الورقة البحثية Agent Lightning، وهو إطار عمل مرن وقابل للتطوير لتدريب نماذج اللغات الكبيرة باستخدام التعلم التعزيزي لأي عميل ذكاء اصطناعي. بخلاف الأساليب الحالية التي تربط تدريب التعلم التعزيزي بالوكيل بشكل وثيق أو تعتمد على تسلسل مُقنّع، يفصل Agent Lightning تمامًا تنفيذ العميل عن التدريب، ويتكامل بسلاسة مع العملاء الحاليين المُطورين بطرق مختلفة دون أي تعديلات تُذكر على الكود.

رابط الورقة:https://go.hyper.ai/se37P

2 AlphaEarth Foundations: نموذج حقل تضميني للرصد العالمي الدقيق والفعال

رسم الخرائط من بيانات تسمية متفرقة

تُقدّم هذه الورقة نموذجًا لمعالجة بيانات رصد الأرض، يُسمى AlphaEarth Foundations، وهو مُصمّم لتوليد خرائط عالمية وأنظمة مراقبة بكفاءة ودقة من بيانات مُفصّلة. يتعلّم هذا النموذج العلاقات بين البيانات المكانية والزمانية وبيانات القياس من مصادر مُتنوّعة لتوليد تمثيل جغرافي مكاني شامل. يتفوق هذا النموذج على جميع أساليب التوصيف السابقة في مجموعة من مهام تقييم الخرائط دون الحاجة إلى إعادة تدريب.

رابط الورقة:https://go.hyper.ai/HSPlS

مجموعة بيانات مراقبة الأرض المضمنة بالأقمار الصناعية:https://go.hyper.ai/WTpjt

3 Cognitive Kernel-Pro: إطار عمل لتدريب وكلاء البحث العميق ونماذج أساس الوكلاء

تقدم هذه الورقة البحثية Cognitive Kernel-Pro، وهو إطار عمل متعدد الوحدات مفتوح المصدر بالكامل ومجاني إلى حد كبير لوكلاء الذكاء الاصطناعي، مصمم لتسهيل تطوير وتقييم وكلاء الذكاء الاصطناعي المتقدمين. تُظهر النتائج التجريبية أن Cognitive Kernel-Pro يحقق أداءً متطورًا بين أنظمة الوكلاء مفتوحة المصدر والمجانية، متجاوزًا أنظمة رائدة سابقة مثل WebDancer وWebSailor، واضعًا معيارًا جديدًا لأداء وكلاء الذكاء الاصطناعي سهلي الوصول وعالي الأداء.

رابط الورقة:https://go.hyper.ai/HIS8M

مجموعة بيانات معيارية لتوليد النصوص باستخدام CognitiveKernel-Pro-Query:https://go.hyper.ai/ofF3N

4 محاكاة ديناميكيات التعلم الشبيهة بالتعلم البشري باستخدام وكلاء معتمدين من برنامج ماجستير القانون

تقترح هذه الورقة البحثية LearnerAgent، وهو إطار عمل مبتكر متعدد الوكلاء، مبني على نموذج لغوي ضخم، مُصمم لمحاكاة بيئات تعليمية واقعية. لاستكشاف ديناميكيات التعلم الشبيه بالتعلم البشري، أنشأ فريق البحث ملفات تعريف للمتعلمين مُزودة بمعلومات نفسية، وأنشأ متعلمين عاديين بدون ملفات تعريف لاختبار السلوك الافتراضي لبرنامج الماجستير في القانون الأساسي. من خلال محاكاة اكتساب المعرفة أسبوعيًا، واختيار الاستراتيجية شهريًا، والاختبار الدوري، والتفاعل مع الأقران، تمكن فريق البحث من تتبع مسارات التعلم الديناميكية للمتعلمين على مدار عام.

رابط الورقة:https://go.hyper.ai/GbGs2

5 فيلا-إكس: تحسين نمذجة الفعل الكامن في نماذج الرؤية واللغة والفعل

تقترح هذه الورقة البحثية فيلا-إكس، وهو إطار عمل مبتكر قائم على الرؤية واللغة والفعل الكامن، مصمم لتحسين قدرات نمذجة الفعل الكامن، وبالتالي تعلم سياسات التلاعب الروبوتية القابلة للتعميم. تُظهر النتائج التجريبية أن فيلا-إكس يحقق أداءً ممتازًا في بيئات محاكاة مثل سيمبلر وليبيرو، وكذلك على منصتين روبوتيتين حقيقيتين.

رابط الورقة:https://go.hyper.ai/8IWxU