چکیده
بستههای مهارت، دانش تخصصی و گردشکارها را در منابع قابل استفاده مجدد بستهبندی میکنند که قابلیتهای عاملهای هوش مصنوعی را گسترش میدهد. پژوهشهای اخیر این مهارتها را بهطور خودکار از تجربیات عاملها استخراج میکنند و بدین ترتیب به آنها امکان میدهد تا از طریق تعامل، تطبیق تدریجی بیابند.
متن کامل
علوم رایانه > هوش مصنوعی arXiv:2608.27454v1 (cs) [ارائهشده در ۲۷ اوت ۲۰۲۶]
عنوان: ویکیاسکیل: ترکیب تجربهٔ عامل در دانش ماندگار برای تکامل مهارت
نویسندگان: لیان تانگ، سیراپس راشچین، چون-سونگ فنگ، اندرو تامکینز، دی-چو ژوان، تو وو
نمایش PDF مقاله با عنوان ویکیاسکیل: ترکیب تجربهٔ عامل در دانش ماندگار برای تکامل مهارت، نوشتهٔ لیان تانگ و ۵ نویسندهٔ دیگر
نمایش PDF HTML (آزمایشی)
چکیده: مهارتهای عامل، دانش تخصصی و فرایندهای کاری را در قالب منابعی قابلاستفادهٔ مجدد بستهبندی میکنند که قابلیتهای هوش مصنوعی مبتنیبر عامل را گسترش میدهند. پژوهشهای اخیر امکان کشف خودکار مهارتها از تجربهٔ عامل را فراهم کردهاند و بدینترتیب عاملان میتوانند از طریق تعامل بهتدریج سازگار شوند. بااینحال، نکات کلیدی که تکامل مهارت را هدایت میکنند، معمولاً در تاریخچهٔ بهینهسازی پراکنده باقی میمانند و استفادهٔ نظاممند از آنها در تکرارهای بعدی محدود است. ما در اینجا ویکیاسکیل را معرفی میکنیم؛ چارچوبی که مهارتهای عامل را با یک پایگاه دانش ماندگار (ویکی) همتکاملیابنده همگام میسازد. در سطحی کلی، ویکیاسکیل تجربهٔ اجرایی خام، دانش انباشته و مهارتهای قابلاجرا را از یکدیگر تفکیک میکند و در عین حال، پیش از آنکه مهارتها در بهروزرسانیهای بعدی بر مبنای آنها ساخته شوند، تجربه را بهطور پیوسته در ویکی ادغام میکند. در ارزیابیهای انجامشده بر روی مجموعهدادههای متنوع و مدلهای گوناگون، ویکیاسکیل بهطور پیوسته از روشهای پیشرفتهٔ تکامل مهارت عملکرد بهتری دارد و در بیشتر تنظیمات مدل-مجموعهداده نسبت به خطوط پایهٔ بدون مهارت بهبود مییابد. ما دریافتیم که تکامل مهارت با بزرگتر شدن مقیاس مدل تقویت میشود: مدلهای بزرگتر عموماً از مهارتهای تکاملیافته سود بیشتری میبرند، درحالیکه مدلهای کوچکتر مجهز به مهارت میتوانند در مقایسه با مدلهای بزرگتر بدون مهارت، عملکرد قابلتوجهی از خود نشان دهند. همچنین مشاهده میکنیم که مهارتهای تکاملیافته بهطور مؤثر میان مدلها و خانوادههای مدلی مختلف قابلانتقال هستند، بهطوریکه مهارتهای تکاملیافته توسط سایر مدلها میتوانند از مهارتهای خودساخته عملکرد بهتری داشته باشند. در نهایت، مطالعات تفکیکپذیری ما تأیید میکند که انباشت پیوستهٔ دانش در ویکی برای تکامل مؤثر مهارت امری حیاتی است. این یافتهها نشان میدهند که انباشت و تفکیک ساختیافتهٔ تجربهٔ عامل، مزایای قابلتوجهی برای توسعهٔ مهارتهای قابلاستفادهٔ مجدد و قابلانتقال به همراه دارد.
موضوعات: هوش مصنوعی (cs.AI)؛ محاسبات و زبان (cs.CL)
نحوهٔ ارجاع: arXiv:2608.27454 [cs.AI] (یا arXiv:2608.27454v1 [cs.AI] برای این نسخه)
https://doi.org/10.48550/arXiv.2608.27454
بیشتر بیاموزید دربارهٔ DOIهای صادرشده توسط arXiv از طریق DataCite (در حال ثبت)
سابقهٔ ارسال
[v1] چهارشنبه، ۲۷ اوت ۲۰۲۶، ساعت ۱۷:۵۹:۱۱ UTC (۷۸۹ کیلوبایت)
ارسالکننده: لیان تانگ [مشاهدهٔ ایمیل]
ابزارهای کتابشناختی
ابزارهای کتابشناختی و ارجاعدهی
مرورگر کتابشناختی را باز کنید
(مرورگر کتابشناختی چیست؟)
Connected Papers را باز کنید
(Connected Papers چیست؟)
Litmaps را باز کنید
(Litmaps چیست؟)
scite.ai را باز کنید
(scite Smart Citations چیست؟)
کد، دادهها و رسانه
کد، داده و رسانههای مرتبط با این مقاله
alphaXiv را باز کنید
(alphaXiv چیست؟)
پیوندهای کد را باز کنید
(یابندهٔ کد CatalyzeX برای مقالات چیست؟)
DagsHub را باز کنید
(DagsHub چیست؟)
GotitPub را باز کنید
(Gotit.pub چیست؟)
Huggingface را باز کنید
(Huggingface چیست؟)
صورتها و دموها
(Hugging Face Spaces چیست؟)
(ScienceCast چیست؟)
دموها
(Replicate چیست؟)
(TXYZ.AI چیست؟)
مقالات مرتبط
ابزارهای پیشنهاددهنده و جستجو
لینک به Influence Flower
(Influence Flower چیست؟)
توصیهگر اصلی را باز کنید
(CORE Recommender چیست؟)
نویسنده
محل
موسسه
دربارهٔ موضوع
دربارهٔ arXivLabs
arXivLabs: پروژههای آزمایشی با همکاری جامعه
arXivLabs بستری است که به همکاران امکان میدهد تا ویژگیهای جدید arXiv را مستقیماً در وبگاه ما توسعه داده و به اشتراک بگذارند. هم افراد و هم سازمانهایی که با arXivLabs مشارکت دارند، ارزشهای ما را در زمینهٔ گشودگی، جامعهمحوری، برتری و حفظ حریم خصوصی دادههای کاربران پذیرفتهاند. arXiv به این ارزشها متعهد است و تنها با شریکانی همکاری میکند که به آنها پایبند باشند.
آیا ایدهای برای پروژهای دارید که برای جامعهٔ arXiv ارزشآفرین باشد؟ دربارهٔ arXivLabs بیشتر بدانید.
کدام نویسندگان این مقاله تأییدکننده هستند؟
| MathJax را غیرفعال کنید (MathJax چیست؟)