arxiv arXiv cs.LG · baru saja · research

Faraday 27B mengungguli Claude Opus 4.8 dan GPT-5.5 pada tugas replikasi makalah

Diterjemahkan dari English → Bahasa Indonesia

Peneliti telah mengembangkan Replica, ruang tugas yang dapat diskalakan untuk replikasi makalah, guna memenuhi kebutuhan akan pengetahuan ilmiah yang andal. Mereka melakukan pasca-pelatihan pada Faraday, agen "AI Scientist" 27B parameter yang menggunakan agen pemrograman sebagai alat, untuk memanfaatkan lingkungan ini.

Replica menyediakan hakim berbasis rubrik yang dihasilkan secara otomatis dengan kebisingan rendah yang selaras dengan penilaian manusia terhadap kualitas replikasi.
Faraday melampaui kinerja Claude Opus 4.8 dan GPT-5.5 pada tugas replikasi yang dihold-out.
Analisis kualitatif menunjukkan bahwa Faraday mengadopsi pendekatan yang lebih berprinsip ilmiah dibandingkan model lainnya.

Hasil-hasil ini menjadi batu loncatan menuju agen AI yang mampu berinovasi ilmiah jangka panjang tanpa memerlukan harness yang kompleks.

Kepentingan 2/3 Kerangka evaluasi baru dengan pembeda arXiv cs.LG DeepSeek AI agents Research paper

Baca aslinya

Faraday 27B melampaui Claude Opus 4.8 dan GPT-5.5 pada tugas replikasi makalah

Para peneliti telah mengembangkan Replica, ruang tugas yang dapat diskalakan untuk replikasi makalah, dan memperkenalkan hakim berbasis rubrik yang dihasilkan secara otomatis untuk memberikan sinyal hadiah rendah-noise yang selaras dengan penilaian manusia.

arxiv arXiv cs.CL · 40 hari lalu

AutoMem mengotomatisasi pembelajaran memori sebagai keterampilan kognitif untuk LLM

Peneliti memperkenalkan AutoMem, sebuah kerangka kerja yang memperlakukan manajemen memori dalam model bahasa besar sebagai keterampilan yang dapat dilatih daripada komponen statis. Sistem ini meningkatkan operasi sistem file menjadi tindakan memori kelas satu, memungkinkan model secara otonom memutuskan cara mengkodekan, mengambil, dan mengatur pengetahuan.

arxiv arXiv cs.CL · 45 hari lalu

Memperluas Horizon, Bukan Parameter: Mencapai Kinerja Triliun-Parameter dengan Agen 35B

Para peneliti memperkenalkan Agents-A1, sebuah model Mixture-of-Experts 35B yang mencapai kinerja sebanding dengan model triliun-parameter dengan memperluas horizon agen alih-alih jumlah parameter. Pendekatan ini berfokus pada memperpanjang trajektori jangka panjang dan menyatukan kemampuan agen heterogen melalui infrastruktur pelatihan khusus.

arxiv Moonshot AI (arXiv) · 255 hari lalu · 2 tayangan

DeepSeek-V3.2 memperkenalkan Sparse Attention dan sintesis agentic, melampaui GPT-5

DeepSeek telah merilis DeepSeek-V3.2, sebuah model bahasa besar terbuka yang menggabungkan efisiensi komputasi tinggi dengan kemampuan penalaran canggih. Rilis ini menyoroti tiga kemajuan teknis utama: mekanisme perhatian sparse baru, framework pembelajaran penguatan yang dapat diskalakan, dan pipeline untuk mensintesis data pelatihan agentic.

arxiv arXiv cs.AI · 2 jam lalu

AutoDesign menggunakan optimisasi meta-harness untuk meningkatkan desain agentic jangka panjang

Makalah ini memperkenalkan AutoDesign, sebuah kerangka kerja yang menggunakan pengoptimal meta-harness untuk memandu agen kode dalam memperbaiki harness-nya secara rekursif berdasarkan umpan balik rollout. Pendekatan ini bertujuan untuk selaras dengan prior desain manusia dan mengakumulasi pengalaman yang dapat digunakan kembali untuk perbaikan diri rekursif.