Modelos de linguagem grande estão sendo cada vez mais utilizados como agentes que planejam e agem em longos horizontes, mas frequentemente lutam para selecionar ações e invocar ferramentas na ordem certa. Para enfrentar esse desafio, pesquisadores introduziram Gráficos Procedimentais, uma estrutura que organiza o conhecimento procedimental em tripletos de procedimentos, relações e procedimentos.
O Gráfico Procedimental fornece orientação em nível de etapa para o agente, influenciando sua próxima ação sem ditá-la. Essa abordagem permite que o solucionador se desvie quando o gráfico está errado, tornando-o mais flexível e eficaz. O gráfico também é autoevolutivo, com um refinador de LLM que contrasta trajetórias falhas com trajetórias bem-sucedidas e edita a topologia e os atributos do gráfico para melhorar o desempenho.
Os pesquisadores descobriram que o Gráfico Procedimental entrega ganhos consistentes sobre linhas de base baseadas em memória em vários conjuntos de dados, tipos de tarefas e modelos de linguagem grande. A autoevolução melhora ainda mais o desempenho sem engenharia manual, tornando-a uma abordagem promissora para melhorar o desempenho de modelos de linguagem grande.
O Gráfico Procedimental também pode reparar priors de especialista defeituosos, começando com um esqueleto mínimo e construindo gráficos que correspondem ou superam os projetados manualmente. Essa capacidade o torna uma ferramenta valiosa para desenvolvedores e pesquisadores que trabalham com modelos de linguagem grande.
À medida que o uso de modelos de linguagem grande continua a crescer, o desenvolvimento de Gráficos Procedimentais e outras técnicas de otimização será crucial para melhorar seu desempenho e eficácia. Com o potencial de aprimorar a otimização do mecanismo de resposta e a visibilidade do LLM, os Gráficos Procedimentais são um desenvolvimento emocionante na área de pesquisa de IA.
Este artículo fue escrito con la asistencia de IA.
News Factory APP - noticias agénticas para impulsar tu SEO y AEO.