Os grandes modelos de idiomas (LLMs) são limitados por atividades complexas de consulta que exigem muitas etapas, determinadas informações de domínio ou instrumentos externos. Lidando com esses desafios, os pesquisadores consideraram uma viabilidade do desenvolvimento de habilidades LLM com o uso externo de ferramentas. Ao instalar ferramentas pré-construídas, os programas de IA podem gerenciar condições de luta, incluindo a fabricação do mundo real, consultas ocupadas e solicitações de domínio especiais.
Muitos métodos requerem boa demanda ou treinamento para integrar ferramentas, dificultando e difícil se adaptar a várias atividades. Os métodos existentes dependem das ferramentas estáticas e predefinidas ou do sofrimento da seleção de ferramentas práticas e do processo de planejamento. Esse adultério leva a erros da tarefa, aumentando o custo da integração e a harmonia limitada nos novos domínios.
As maneiras tradicionais de melhorar os LLMs incluem algumas expressões convidadas, consideradas pensando e explicar as APIs que permitem a IA na IA em interface com ferramentas estrangeiras. Outras estruturas, como Langchain e Autogen, capacitando o LLMS a usar recursos estranhos, mas geralmente se concentram em determinados programas ou exigem programas de pré-acesso. Essas estruturas não fornecem uma abordagem compilada para muitas etapas e ações, tornando -as menos eficazes para lidar com problemas complexos de consulta. Além disso, muitos métodos existentes não são uma abordagem formal ao back de ferramenta, resultando em mau trabalho na morte.
Os investigadores da Universidade de Stanford são comissionados OCTOTOOLS Superando a estimativa acima, a estrutura de habilidades de consulta de IA, permitindo o uso de ferramentas externas externas. Ototototools é um setor de Modar, que não é básico para treinamento, e o sensor magnífico enfatiza como os modelos de IA são relevantes para as ferramentas estrangeiras. Ao contrário da estrutura anterior que requer a configuração das ferramentas originais, os Ototools apresentaram os “cartões de ferramentas”, trabalhando com o ACAPAPSAFSAPSAPSAPSAPSAPSAPRAPANTES e METAPTA. Os cartões de kit de ferramentas descrevem campos de entrada, problemas e excelentes hábitos, facilitando a integração e o uso de ferramentas de IA. A estrutura está organizada em torno do programa Planner-Maces, que determina quais ferramentas são necessárias no trabalho fornecido, emitir ordens e garantir a precisão dos resultados.
A estrutura contém três fases importantes: planejamento, implementação e verificação. O planejador primeiro reavalia a pergunta do usuário e determina a ferramenta Medadata relevante associada a cada cartão de ferramenta. Este metadata inclui a instalação de requisitos, as expectativas herdadas e os problemas. Assim que o editor apontando para as ferramentas necessárias para um trabalho específico, o construtor traduz decisões de alta qualidade nas instruções que estão ocorrendo. Você simplesmente executa essas instruções em uma linha e garante que os efeitos centrais sejam bem processados antes de ir para a próxima etapa. Depois de ser morto, o contexto do contexto testa a consistência dos resultados de garantir que eles se adaptem à primeira pergunta. Esse processo de garantir ajuda a reduzir os erros, garantindo que todos os fins necessários sejam atendidos. Além disso, os Occtotools usam um algoritmo relacionado ao trabalho que escolhe as ferramentas mais relevantes para cada trabalho, desenvolvendo assim a eficiência e a precisão.
Uma grande equipe de avaliação é de 16 bancos cobrem a visão, pensamento matemático, análise científica e solicitações médicas. Esses Benchuxzlevxa incluem os conjuntos de dados, Mathvista, GPQA, Scifibanch, MedQA e Gaia-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text-Text -Text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text -Text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text-text -Text-text-text-text-text-text-text-text-text-text. Os resultados mostraram que o Octools excedeu os quadros de AI existentes. Especialmente, o Occtotools recebeu uma média de 9,3% do GPT-4O de 10,6% em estruturas avéticas que analisam Langchain e Autogen. No pensamento baseado na visão, o Ototools foi desenvolvido pela precisão de 7,4% acima do GPT-4O e 11,3% sobre os métodos de disparo. As atividades de consulta matemática encontraram melhora de 22,5% em relação à fundação. A estrutura também mostra grandes benefícios em benefícios médicos e científicos, com a confirmação de 20,7% de confirmação da foto de patologia e 17,2% da questão da pergunta. A otimização anunciada por tarefas é eficaz, reduzindo a integração desnecessária e melhorando o desempenho completo.
A pontuação mais alta do estudo inclui o seguinte:
- OCTOTOTOOLS promove a precisão da IA, atingindo entre 9,3% de desenvolvimento de 9,3% em relação ao GPT-4O e 10,6% em outros órgãos agênticos.
- A estrutura está financiando várias funções, incluindo análises com base no alinhamento, integração matemática, reflexão médica e interpretação de dados científicos.
- A ferramenta MODAR da Ototools permite a integração de ferramentas não costeiras, reduz a necessidade de ferramentas definidas e permitindo que a estrutura atenda a novos domínios.
- O programa Planner-EBzer promove decisões de tomada, a capacidade de escolher as ferramentas mais apropriadas para cada funcionário, confirmando a implementação precisa.
- A ferramenta de ferramentas para ferramentas melhora a eficiência, reduz a alta computacional e garante que as ferramentas mais benéficas sejam usadas para o problema fornecido.
- O Ototools recebeu 20 melhorias de precisão nos aplicativos médicos, que mostraram sua operação na avaliação original do mundo.
- Os Octotoools saem de maneiras tradicionais de incentivar eventos em atividades de consulta no decorrer de 22,5%, destacando seu alto desempenho na resolução de problemas formatizados.
- Ao contrário de outras estruturas, o Occtotools não precisa de reparos adicionais de modelos, tornando-o uma solução não-Evil para tomar decisões realizadas por decisões.
Enquete Página e papel do github. Todo o crédito deste estudo é pesquisado para este projeto. Além disso, fique à vontade para segui -lo Sane E não se esqueça de se juntar ao nosso 75k + ml subreddit.
🚨 Pesquisa recomendada recomendada para nexo
O Asphazzaq é um Markteach Media Inc. De acordo com um negócio e desenvolvedor de visualização, a ASIFI está comprometida em integrar uma boa inteligência social. Sua última tentativa é lançada pelo lançamento do Plano de Química para uma Inteligência, Marktechpost, uma prática íntima devastadora de um aprendizado de máquina e problemas de aprendizado profundo que são de forma clara e facilmente compreendida. A plataforma está aderindo a mais de dois milhões de visitas à lua, indicando sua popularidade entre o público.
