ข่าว 
ข้อมูลเหรียญ 
แนะนำสื่อ 
มีการเสนอวิธีให้ AI เอเจนต์นำผลจากข้อเสนอแก้ไขที่ไม่ได้รับเลือกไปใช้ในการพัฒนาครั้งต่อไป โดย HMED ซึ่งทีมวิจัยพัฒนาขึ้น ทำคะแนนประสิทธิภาพเฉลี่ยในการทำงานรอบถัดไปสูงกว่าวิธีเปรียบเทียบทั้ง 6 การทดลองที่ใช้โมเดล 2 รุ่นกับโจทย์ประเมิน 3 ประเภท
นักวิจัยจากมหาวิทยาลัยชิงหัว มหาวิทยาลัยเซี่ยงไฮ้เจียวทง และสถาบันวิจัยนวัตกรรมเซี่ยงไฮ้ เผยแพร่บทความ “Learning from Revision Outcomes: Post-hoc Meta-Experience Distillation for Self-Improving Agents” บน arXiv เมื่อวันที่ 6 ตุลาคม คำว่า “Meta” ในบทความหมายถึง ‘ทักษะเมตา’ ที่เอเจนต์ใช้จัดการวิธีพัฒนาตัวเอง ไม่ได้หมายถึงบริษัท Meta
ความสามารถที่เอเจนต์ใช้ทำโจทย์โดยตรงเรียกว่า ‘ทักษะงาน’ ส่วนขั้นตอนค้นหาและปรับปรุงความสามารถเหล่านั้นเรียกว่า ‘ทักษะเมตา’ หากพิจารณาเฉพาะผลลัพธ์สุดท้ายของการปรับปรุง ก็ยากที่จะแยกว่าผลงานดีขึ้นเพราะเงื่อนไขเริ่มต้นที่เหมาะสม หรือเพราะขั้นตอนการแก้ไข
HMED กู้คืนสถานะเดิมก่อนที่ทักษะเมตาจะถูกปรับ แล้วทดลองใช้วิธีทั้งก่อนและหลังการแก้ไขเพื่อเปรียบเทียบผล ข้อมูลเปรียบเทียบจะถูกบันทึกเป็น ‘ประสบการณ์เมตา’ และส่งต่อไปยังกระบวนการแก้ไขครั้งถัดไป แม้ข้อเสนอจะไม่ได้รับเลือก ข้อมูลว่ากระบวนการค้นหาและความสามารถที่ค้นพบเปลี่ยนไปอย่างไรก็ยังนำไปใช้พัฒนาต่อได้
ทีมวิจัยทดสอบโมเดล Qwen3-32B และ DeepSeek-v4-Flash กับโจทย์ 3 ประเภท ได้แก่ ALFWorld, ScienceWorld และ BiomniBench-DA บทความระบุว่า HMED มีประสิทธิภาพเฉลี่ยในการทำงานรอบถัดไปสูงกว่าวิธีเปรียบเทียบในทั้ง 6 การตั้งค่าที่เกิดจากการจับคู่โมเดล 2 รุ่นกับโจทย์ 3 ประเภท
อัตราความสำเร็จของ Qwen3-32B ใน ALFWorld เพิ่มจาก 51.49% ด้วย MetaSkill-Evolve ซึ่งเป็นวิธีวิวัฒนาการทักษะเมตาเดิม เป็น 54.11% ด้วย HMED ส่วนอัตราความสำเร็จใน ScienceWorld เพิ่มจาก 20.84% เป็น 22.56% ขณะที่คะแนน BiomniBench-DA ซึ่งเป็นโจทย์วิเคราะห์ชีวการแพทย์ เพิ่มจาก 17.80 เป็น 20.78 คะแนน จากเต็ม 100
ทีมวิจัยยังทดลองเปรียบเทียบโดยตัดขั้นตอนส่งผลการแก้ไขไปยังการอัปเดตครั้งถัดไปออก ใน ALFWorld การตั้งค่านี้มีอัตราความสำเร็จ 49.25% ต่ำกว่า HMED แบบเต็มซึ่งอยู่ที่ 54.11% อยู่ 4.86 จุดเปอร์เซ็นต์ ทีมวิจัยระบุว่าการส่งต่อผลการแก้ไขไปใช้ในการพัฒนาครั้งถัดไปมีส่วนต่อความแตกต่างของผลการทดลองนี้
งานวิจัยนี้ประเมินขั้นตอนการพัฒนาของเอเจนต์ผ่านเบนช์มาร์ก แต่ไม่ได้รายงานผลการวัดประสิทธิภาพของเอเจนต์ซื้อขายสินทรัพย์ดิจิทัลหรือบริการที่ใช้งานจริง
ก่อนหน้านี้มีกรณีศึกษาของ Perplexity ที่นำความพยายามที่ล้มเหลวและรายละเอียดการแก้ไขมาใช้ในการเรียนรู้เพื่อลดอัตราการเรียกใช้เครื่องมือล้มเหลว งานวิจัยของ Perplexity และบทความฉบับนี้มีแนวคิดร่วมกันในการนำข้อมูลจากความล้มเหลวไปใช้พัฒนาครั้งถัดไป อย่างไรก็ตาม งานวิจัยฉบับนี้มุ่งศึกษาวิธีเปรียบเทียบทักษะเมตาก่อนและหลังการแก้ไขจากสถานะเดียวกัน
ความคิดเห็น 0