Rapport Hebdomadaire Sur l'IA : Les Dernières Recherches De Microsoft, De l'Université Tsinghua Et De l'Université De Hong Kong Révèlent De Nouvelles Avancées Dans Les Domaines Des Agents Généraux, Des Systèmes d'information Géographique Et De La Robotique

Dans le domaine des agents intelligents généraux, l'IA évolue de l'exécution de tâches uniques vers des capacités complètes telles que le raisonnement, l'interaction multimodale et l'apprentissage autonome. Cependant, les méthodes d'apprentissage par renforcement existantes sont souvent étroitement liées aux mécanismes d'exécution des agents, difficiles à migrer et très invasives pour le système.

Le framework Agent Lightning a émergé en réponse à ce besoin, permettant un découplage complet entre apprentissage et exécution. Il permet l'intégration de diverses architectures d'agents pratiquement sans modification de code. Grâce à une interface unifiée et à la décomposition des trajectoires, il transforme les interactions complexes en données entraînables, permettant ainsi un réglage fin et flexible du RL dans de multiples scénarios.

Lien vers le document:https://go.hyper.ai/se37P

Derniers articles sur l'IA:https://hyper.ai/cn/papers

Afin de permettre à davantage d'utilisateurs de connaître les derniers développements dans le domaine de l'intelligence artificielle dans le milieu universitaire, le site Web officiel d'HyperAI (hyper.ai) a désormais lancé une section « Derniers articles », qui met à jour quotidiennement les articles de recherche de pointe sur l'IA.Voici 5 articles populaires sur l'IA que nous recommandonsNous avons également résumé la carte mentale de la structure du document pour tous. Jetons un coup d'œil rapide aux avancées de pointe en IA de la semaine.

Recommandation de papier de cette semaine

1 Agent Lightning : formez n'importe quel agent IA avec renforcement Apprentissage

Cet article propose Agent Lightning, un framework flexible et évolutif pour l'entraînement de grands modèles de langage par apprentissage par renforcement pour tout agent d'IA. Contrairement aux approches existantes qui couplent étroitement l'entraînement par apprentissage par renforcement à l'agent ou s'appuient sur la concaténation de séquences masquées, Agent Lightning dissocie complètement l'exécution de l'agent de son entraînement, s'intégrant ainsi parfaitement aux agents existants, développés de diverses manières, sans pratiquement aucune modification de code.

Lien vers l'article :https://go.hyper.ai/se37P

2 AlphaEarth Foundations : Un modèle de champ d'intégration pour une cartographie globale précise et efficace 

cartographie de données d'étiquettes éparses

Cet article présente un modèle de traitement des données d'observation de la Terre, appelé AlphaEarth Foundations, conçu pour générer efficacement et précisément des cartes mondiales et des systèmes de surveillance à partir de données faiblement annotées. Ce modèle apprend les relations entre les données spatiales, temporelles et de mesure provenant de diverses sources afin de générer une représentation géospatiale universelle. Il surpasse toutes les méthodes de caractérisation précédentes sur diverses tâches d'évaluation cartographique, sans réapprentissage.

Lien vers l'article :https://go.hyper.ai/HSPlS

Ensemble de données d'observation de la Terre intégrant des satellites :https://go.hyper.ai/WTpjt

3 Cognitive Kernel-Pro : un cadre pour la formation des agents de recherche approfondie et des modèles de fondation d'agents

Cet article présente Cognitive Kernel-Pro, un framework d'agents intelligents multimodules, entièrement open source et largement gratuit, conçu pour démocratiser le développement et l'évaluation d'agents d'IA avancés. Les résultats expérimentaux démontrent que Cognitive Kernel-Pro atteint des performances de pointe parmi les systèmes d'agents open source et libres, surpassant les systèmes leaders précédents tels que WebDancer et WebSailor, établissant ainsi une nouvelle référence en matière de performances pour les agents d'IA accessibles et performants.

Lien vers l'article :https://go.hyper.ai/HIS8M

Ensemble de données de référence pour la génération de texte CognitiveKernel-Pro-Query:https://go.hyper.ai/ofF3N

4 Simulation d'une dynamique d'apprentissage de type humain avec des agents habilités par LLM

Cet article propose LearnerAgent, un nouveau cadre multi-agents basé sur un modèle de langage à grande échelle, conçu pour simuler des environnements d'enseignement réalistes. Pour explorer la dynamique d'un apprentissage de type humain, l'équipe de recherche a construit des profils d'apprenants psychologiquement informés et a établi des apprenants génériques sans profil afin de tester le comportement par défaut du LLM sous-jacent. En simulant l'acquisition hebdomadaire de connaissances, la sélection mensuelle de stratégies, les tests périodiques et l'interaction entre pairs, l'équipe de recherche a pu suivre le parcours d'apprentissage dynamique des apprenants sur une année.

Lien vers l'article :https://go.hyper.ai/GbGs2

5 villa-X : Amélioration de la modélisation des actions latentes dans les modèles vision-langage-action

Cet article propose villa-X, un nouveau cadre d'action latente vision-langage conçu pour améliorer les capacités de modélisation des actions latentes et ainsi apprendre des stratégies de manipulation robotique généralisables. Les résultats expérimentaux démontrent que villa-X atteint d'excellentes performances dans des environnements simulés tels que SIMPLER et LIBERO, ainsi que sur deux plateformes robotiques réelles.

Lien vers l'article :https://go.hyper.ai/8IWxU