Laboratorium Intelijen Buatan Jepang Saman Ini telah menyediakan teknologi baru yang menyediakan beberapa model bahasa besar (LLM) untuk bekerja sama dalam satu misi, yang secara efektif menciptakan “tim impian” agen kecerdasan buatan. Metode ini disebut Multi -lm ab -mctsModel memungkinkan eksperimen dan kesalahan dan mengumpulkan kekuatan unik mereka untuk memecahkan masalah yang sangat kompleks untuk setiap model individu.

Untuk institusi, pendekatan ini menyediakan cara untuk mengembangkan sistem kecerdasan buatan yang lebih kuat dan mampu. Alih -alih dikunci dalam satu penyedia atau model, perusahaan dapat secara dinamis menguntungkan aspek terbaik dari model perbatasan yang berbeda, dan menetapkan kecerdasan buatan yang sesuai untuk bagian yang tepat dari tugas untuk mencapai hasil yang unggul.

Kekuatan Kecerdasan Grup

Model perbatasan AI berkembang dengan cepat. Namun, setiap model memiliki kekuatan dan kelemahan yang dibedakan yang berasal dari data pelatihan dan arsitektur yang unik. Seseorang dapat unggul dalam pengkodean, sementara yang lain unggul dalam penulisan kreatif. Peneliti Sakana AI berpendapat bahwa perbedaan -perbedaan ini bukan kesalahan, tetapi fitur.

“Kami melihat prasangka ini dan berbagai persiapan bukan sebagai pembatasan, tetapi sebagai sumber daya yang berharga untuk menciptakan kecerdasan kolektif,” kata para peneliti kepada mereka. Posting Blog. Mereka percaya bahwa seperti pencapaian manusia terbesar berasal dari berbagai tim, sistem kecerdasan buatan dapat mencapai lebih banyak dengan bekerja bersama. “Dengan mengumpulkan kecerdasan mereka, sistem kecerdasan buatan dapat menyelesaikan masalah yang tidak dapat diatasi untuk satu model.”

Berpikir lebih lama pada saat penalaran

Algoritma Sakana AI yang baru adalah teknik “membatasi waktu penalaran” (juga disebut sebagai “waktu tes tes”), bidang penelitian yang telah menjadi sangat umum tahun lalu. Meskipun sebagian besar fokus dalam kecerdasan buatan adalah “membatasi waktu pelatihan” (yang membuat model lebih besar dan melatihnya pada set data yang lebih besar), penskalaan waktu dalam penalaran meningkatkan kinerja dengan menyesuaikan sumber daya yang lebih matematis setelah melatih model.

Salah satu metode umum termasuk penggunaan pembelajaran penguatan untuk menuntut model untuk membuat urutan yang lebih lama dan lebih rinci untuk seri IDEA (COT), seperti yang ditunjukkan dalam model umum seperti OpenAI O3 dan Deepseek-R1. Cara lain dan lebih sederhana adalah dengan mengambil sampel berulang, di mana model diberi tinggi yang sama beberapa kali untuk menciptakan berbagai solusi potensial, mirip dengan sesi brainstorming. Sakana AI menggabungkan dan mengembangkan ide -ide ini.

“Kerangka kerja kami menawarkan versi yang lebih cerdas dan lebih strategis dari jenis ikan terbaik yang sering),” kata Takoya Akiba, seorang ilmuwan riset AI dan rekan penulis makalah ini. “Ini melengkapi teknik berpikir seperti Long Cot melalui RL. Dengan memilih strategi pencarian dinamis dan LLM, pendekatan ini meningkatkan kinerja dalam sejumlah panggilan LLM, yang mencapai hasil yang lebih baik dalam tugas -tugas kompleks.”

Bagaimana cara kerja bercabang untuk beradaptasi

Inti dari gaya baru adalah algoritma yang disebut AB-MCTS. Ini memungkinkan LLM untuk melakukan pengalaman dan kesalahan secara efektif dengan anggaran dengan kecerdasan dua penelitian yang berbeda: “penelitian lebih dalam” dan “pencarian lebih luas”. Penelitian ini mencakup jawaban yang paling dalam dan menjanjikan lagi dan lagi, sambil mencari cara yang lebih luas menghasilkan solusi yang sama sekali baru dari titik nol. AB-MCTS menggabungkan metode ini, memungkinkan sistem untuk meningkatkan ide yang baik tetapi juga di poros dan mengalami sesuatu yang baru jika telah mencapai jalan buntu atau menemukan arah lain yang menjanjikan.

Untuk mencapai ini, sistem digunakan Pencarian Pohon Monte Carlo (MCTS), algoritma pembuatan keputusan yang digunakan oleh Alphage Alphago. Dalam setiap langkah, AB-MCTS menggunakan kemungkinan untuk menentukan apakah strategis untuk meningkatkan solusi saat ini atau membuat solusi baru.

Para peneliti mengambil langkah maju ini dengan multi -lm AB -MCTS, yang tidak hanya memutuskan “apa” yang harus dilakukan (memoles untuk generasi) tetapi juga “yang” harus melakukannya. Di awal misi, sistem tidak tahu model yang cocok untuk masalah tersebut. Ini dimulai dengan campuran LLMS seimbang yang tersedia, dan dengan kemajuannya, model belajar lebih efektif, dan mengalokasikan lebih banyak beban kerja untuk mereka dari waktu ke waktu.

“Tim Impian” AI yang diuji

Para peneliti menguji sistem multi-pencuri AB-MCTS Pengukuran ARC-AGI-2. ARC (abstraksi dan pemikiran) dirancang untuk menguji kemampuan seperti manusia untuk menyelesaikan masalah pemikiran visual baru, membuatnya sulit bagi kecerdasan buatan.

Tim menggunakan satu set model perbatasan, termasuk O4-Mini, Gemini 2.5 Pro dan Deepseek-R1.

Set model berhasil menemukan solusi yang benar untuk lebih dari 30 % masalah tes 120, yang merupakan hasil yang sangat mengungguli model mana pun yang beroperasi sendiri. Sistem menunjukkan kemampuan untuk mengatur bentuk terbaik dari masalah spesifik dengan cara yang dinamis. Dalam tugas di mana ada jalur yang jelas ke solusi, algoritma LLM paling efektif ditentukan dan sering digunakan.

Hal yang paling mengesankan, tim mencatat kasus -kasus di mana formulir memecahkan masalah yang sebelumnya tidak mungkin bagi mereka. Dalam satu kasus, solusi yang dibuat oleh model O4-Mini salah. Namun, sistem telah melewati upaya yang rusak ini ke Deepseeek-R1 dan Gemini-12.5 Pro, yang berhasil menganalisis kesalahan, memperbaikinya, dan menghasilkan jawaban yang benar pada akhirnya.

“Ini menunjukkan bahwa multi -LM AB-MCT dapat menggabungkan cara yang fleksibel antara model perbatasan untuk menyelesaikan masalah yang dapat diselesaikan, mendorong batas apa yang dapat dicapai dengan menggunakan LLM sebagai kecerdasan kolektif,” tulis para peneliti.

Akiba mengatakan: “Selain positif individu dan negatif dari masing -masing model, kecenderungan halusinasi dapat sangat berbeda di antara mereka,” kata Akiba. “Dengan menciptakan grup dengan model yang lebih kecil kemungkinan untuk halusinasi, dimungkinkan untuk mencapai yang terbaik di kedua dunia: kemampuan logis yang kuat dan dasar yang kuat. Karena halusinasi adalah masalah utama dalam konteks pekerjaan, pendekatan ini mungkin berharga untuk mengurangi itu.”

Dari mencari ke aplikasi yang realistis

Untuk membantu pengembang dan perusahaan menerapkan teknologi ini, Sakana AI merilis algoritma dasar sebagai bingkai sumber terbuka yang disebut TreequestTersedia di bawah lisensi Apache 2.0 (dapat digunakan untuk tujuan komersial). Treequest menyediakan antarmuka pemrograman aplikasi yang fleksibel, memungkinkan pengguna untuk melakukan beberapa AB-MCT untuk tugas mereka sendiri dengan pendaftaran dan logika yang dialokasikan.

“Sementara kami berada di tahap awal aplikasi AB-MCTS pada masalah spesifik yang diarahkan pada bisnis, kami mengungkapkan pencarian kami untuk potensi besar di banyak bidang,” kata Akiba.

Selain standar ARC-AGI-2, tim berhasil menerapkan AB-MCTS pada tugas-tugas seperti pengkodean algoritma yang kompleks dan meningkatkan keakuratan model pembelajaran otomatis.

“AB-MCTS bisa sangat efektif untuk masalah yang membutuhkan pengalaman dan kesalahan berulang, seperti meningkatkan ukuran kinerja untuk program saat ini,” kata Akiba. “Misalnya, ini dapat digunakan untuk menemukan cara untuk meningkatkan waktu respons layanan web secara otomatis.”

Rilis proses open source dapat membuka jalan bagi kategori baru aplikasi AI untuk lembaga yang paling kuat dan andal.

Visi harian tentang kasus penggunaan bisnis dengan VB setiap hari

Jika Anda ingin membujuk bos Anda di tempat kerja, Anda telah membahas VB setiap hari. Kami memberi Anda sendok dari dalam tentang apa yang dilakukan perusahaan dengan kecerdasan buatan kebidanan, dari transformasi organisasi hingga operasi penerbitan praktis, sehingga Anda dapat berbagi visi dari pengembalian investasi maksimum.

Baca Kebijakan Privasi Kami

Terima kasih telah berlangganan. Periksa lebih banyak buletin VB di sini.

Terjadi kesalahan.

pendosa: Brian Cuperger mengaku membunuh Idaho

Gambar cincang: Tinggalkan padam di negara bagian Idaho dalam lapisan perang sebelum serangan mematikan

Tersangka pembunuhan: Barry Morveio diserahkan ke Colorado untuk menghadapi tuduhan hilangnya istri untuk tahun 2020

Jalan Panjang: Topi Brian Cuperger untuk mencari keadilan

Fox True Crime Follow X

“Akuntansi Lengkap”: Keluarga Idahu menuntut agar Cohbarger mengaku di pengadilan setelah keputusan untuk mengakui kesalahan

Tanpa jejak: Rockefeller telah menghilang di perairan suku setelah kata -kata aneh lainnya

‘terkejut’: Keluarga korban dalam kasus Brian Cuperger mengatakan mereka dikirim ke “kepanikan” setelah kesalahan.

Michael Rockefeller adalah perjalanan untuk menghadiri pernikahan saudaranya. (Tom Gallagher/NY Daily News via Getty Images)

Berlangganan Get Newsletter Kejahatan Nyata

Bangun: Teman yang menemukan korban

Pria Terakhir Berdiri: Penjara New Orleans melarikan diri ke Trump untuk bantuan yang ditangkap sebagai target pengejaran yang melarikan diri

Barry Morphew (L) memasuki Olosa, Pengadilan Colorado pada 1 Juli 2025. Susan Morveio (L) dalam bentuk deputi yang tidak diketahui. (Kantor Shafi Sharif County dan kolam renang melalui KRDO)

Revolusi Pengadilan: Mantan pelatih tinju mengatakan bahwa Cuperger tidak bersaing meskipun membual

Seperti apa yang kamu baca? Temukan lebih banyak tentang Pusat Kejahatan Nyata

tanahPlatform intelijen buatan berusia dua tahun yang membantu lembaga untuk membangun agen kecerdasan buatan yang mampu menyelesaikan seluruh tugas alur kerja, dari pendapatan tahunan $ 6 juta-kenaikan enam kali lebih dari satu juta dolar hanya satu tahun yang lalu. Pertumbuhan perusahaan yang cepat menunjukkan pergeseran dalam adopsi AI dari yayasan dari chatbots sederhana menuju sistem canggih yang dapat mengambil langkah -langkah konkret melalui aplikasi bisnis.

Perusahaan startup San Francisco mengumumkan pada hari Kamis bahwa mereka dipilih sebagai bagian dari ekosistem “Claude” dari antropor, menyoroti kategori baru perusahaan intelijen buatan yang membangun alat kelembagaan khusus model perbatasan yang lebih tinggi alih -alih mengembangkan sistem kecerdasan buatan dari titik zero.

“Pengguna menginginkan lebih dari sekedar antarmuka percakapan,” kata Gabriel Hubert, CEO dan co -founder Dust dalam sebuah wawancara dengan VentureBeat. “Alih -alih membuat draft, mereka ingin membuat dokumen yang sebenarnya secara otomatis. Alih -alih mendapatkan pertemuan, mereka perlu memperbarui catatan CRM tanpa intervensi manual.”

Platform debu melebihi gaya chatbot yang telah mengendalikan adopsi institusi awal. Alih-alih hanya menjawab pertanyaan, agen kecerdasan buatan dalam debu dapat membuat masalah gitub secara otomatis, menjadwalkan pertemuan kalender, memperbarui catatan pelanggan, dan bahkan ulasan simbol berbayar berdasarkan standar pengkodean internal-sementara menjaga protokol keselamatan di tingkat institusi.

Bagaimana Agen Kecerdasan Buatan Mengubah Panggilan ke Tiket Github dan Pembaruan CRM

Pendekatan perusahaan jelas melalui contoh konkret, menggambarkan Hubert: perusahaan penjualan dari bisnis ke bisnis menggunakan beberapa agen debu untuk memproses teks panggilan penjualan. Salah satu agen menganalisis argumen penjualan yang selaras dengan prospek dan pembaruan kartu pertempuran secara otomatis di Salesforce. Pada saat yang sama, agen lain menentukan fitur pelanggan, dan ia menunjuk mereka ke peta jalan produk, dan dalam beberapa kasus, ia secara otomatis membuat tiket Github untuk fitur kecil yang siap untuk dikembangkan.

“Setiap versi panggilan akan dianalisis oleh banyak agen,” jelas. Hopart. “Anda akan memiliki agen yang lebih baik untuk kartu pertempuran penjualan yang akan terlihat dalam argumen yang dibuat oleh penjualan, yang kuat dan tampaknya beresonansi dengan kemungkinan, dan ini akan berjalan dan memakan operasi di sisi Salesforce.”

Tingkat otomatisasi ini diaktifkan oleh Bentuk Konteks Protokol (MCP)Standar baru yang dikembangkan oleh antropolog yang memungkinkan sistem kecerdasan buatan untuk berkomunikasi dengan aman dengan sumber dan aplikasi data eksternal. Guillaume Princen, presiden Eropa, Timur Tengah dan Afrika pada manusia, menggambarkan MCP sebagai “seperti konektor USB-C di antara model dan aplikasi kecerdasan buatan”, yang memungkinkan agen untuk mengakses data perusahaan sambil mempertahankan batas keselamatan.

Mengapa Claude dan MCP mengoperasikan gelombang otomatisasi AI berikutnya ke lembaga

Keberhasilan Dust mencerminkan perubahan yang lebih luas dalam bagaimana institusi mendekati kecerdasan buatan. Alih -alih membangun model khusus, perusahaan seperti debu memanfaatkan model dasar yang semakin mampu – terutama suite Claude 4 ke dalam manusia – dan mengintegrasikannya dengan program sinkronisasi khusus.

“Kami hanya ingin memberi pelanggan kami akses ke model terbaik,” kata Hubert. “Saya sekarang berpikir bahwa Antarbur berada di awal latar depan, terutama pada model yang terkait dengan pengkodean.” Perusahaan menerima pelanggan dari 40 hingga 50 dolar per bulan per bulan dan melayani ribuan ruang kerja mulai dari startup kecil hingga perusahaan besar yang mengandung ribuan karyawan.

Model Claud pada manusia telah melihat adopsi tugas pengkodean yang sangat kuat, karena perusahaan telah melaporkan pertumbuhan 300 % dalam penggunaan ikon Claude selama empat minggu terakhir setelah model Claude 4 terbaru. “Opus 4 adalah model pengkodean paling kuat di dunia,” kata Princesen. “Kami sudah mengendarai balapan pengkodean. Kami memperkuatnya.”

Keamanan lembaga menjadi rumit ketika agen intelijen buatan bisa

Pergeseran menuju agen kecerdasan buatan yang dapat mengambil tindakan nyata melalui sistem bisnis memberikan komplikasi keselamatan baru yang tidak hadir dengan aplikasi chatbot sederhana. Debu ditangani dengan ini melalui apa yang Hubert sebut sebagai “lapisan izin asli” yang memisahkan hak untuk mengakses data dari hak untuk menggunakan agen.

“Penciptaan ekstriner, serta data dan alat adalah bagian dari pergerakan navigasi untuk mengurangi data sensitif ketika agen kecerdasan buatan bekerja melalui berbagai sistem bisnis,” jelas perusahaan dalam dokumen teknis. Ini menjadi sangat penting ketika agen memiliki kemampuan untuk membuat masalah gitub, memperbarui catatan CRM, atau mengubah dokumen melalui paket teknologi yayasan.

Perusahaan mengimplementasikan infrastruktur klasifikasi kelembagaan dengan kebijakan penahan data di Anthropoor, yang memastikan bahwa informasi bisnis sensitif yang diproses oleh agen kecerdasan buatan tidak disimpan oleh penyedia model. Ini membahas keprihatinan utama bagi institusi yang mempertimbangkan untuk mengadopsi kecerdasan buatan dalam skala besar.

Tingkatkan konstruksi startup asli dari kecerdasan buatan pada model dasar alih -alih ciptaan mereka sendiri

Debu adalah bagian dari apa yang oleh Antarbur disebut ekosistem ekologis untuk “startup asli kecerdasan buatan” – yang tidak dapat ada terutama tanpa kemampuan AI canggih. Perusahaan -perusahaan ini tidak membangun bisnis bukan dengan mengembangkan model kecerdasan buatan mereka, tetapi dengan membuat aplikasi canggih di bagian atas model yayasan saat ini.

“Perusahaan -perusahaan ini memiliki perasaan yang sangat kuat tentang apa yang dibutuhkan pelanggan akhir ini untuk keadaan penggunaan spesifik,” jelas Brenson. “Kami menawarkan alat mereka untuk membangun dan menyesuaikan produk mereka dengan klien spesifik ini dan menggunakan situasi yang mereka cari.”

Pendekatan ini merupakan perubahan besar dalam struktur industri kecerdasan buatan. Alih -alih setiap perusahaan, Anda perlu mengembangkan kemampuan AI sendiri, platform khusus seperti debu dapat memberikan lapisan sinkronisasi yang membuat model AI kuat berguna untuk aplikasi bisnis tertentu.

Berapa tanda pertumbuhan pendapatan $ 6 juta tentang masa depan program lembaga

Keberhasilan perusahaan seperti debu menunjukkan bahwa pasar perusahaan AI melebihi fase eksperimental menuju implementasi praktis. Alih -alih mengganti pekerja manusia dalam jumlah besar, sistem ini dirancang untuk menghilangkan tugas rutin dan mengganti konteks antara aplikasi, yang memungkinkan karyawan untuk fokus pada kegiatan bernilai lebih tinggi.

“Dengan memberikan awal Amnesty International yang membuat semua tenaga kerja perusahaan lebih cerdas selain sistem izin yang benar, kami menetapkan fondasi untuk sistem operasi agen yang tahan di masa depan.”

Basis pelanggan perusahaan mencakup lembaga -lembaga yang diyakinkan bahwa kecerdasan buatan terutama akan mengubah proses komersial. “Utas umum di antara semua pelanggan adalah bahwa mereka berasal dari masa depan dan meyakinkan bahwa teknologi ini akan mengubah banyak hal.”

Ketika model kecerdasan buatan menjadi lebih mampu dan protokol seperti MCP dewasa, perbedaan antara alat kecerdasan buatan yang hanya memberikan informasi dan mereka yang mengambil tindakan dapat menjadi diskriminasi utama di pasar institusi. Debu pertumbuhan pendapatan cepat menunjukkan bahwa perusahaan siap membayar harga khas untuk sistem kecerdasan buatan yang dapat menyelesaikan pekerjaan nyata daripada membantu ini.

Efek dari masing -masing perusahaan meluas ke struktur yang lebih luas dari program lembaga. Jika agen kecerdasan buatan dapat mengintegrasikan alur kerja dengan otomatisasi dan otomatisasi melalui aplikasi bisnis yang terpisah, dapat membentuk kembali bagaimana lembaga berpikir tentang pembelian program dan desain alur kerja – yang mengurangi kompleksitas yang telah lama rumit.

Mungkin tanda yang paling menakjubkan dari pergeseran ini adalah bagaimana menggambarkan Hubert secara alami sebagai agen kecerdasan buatan bukan sebagai alat, tetapi sebagai karyawan digital yang tampaknya bekerja setiap hari. Di dunia bisnis yang telah menghabiskan beberapa dekade dalam menghubungkan sistem dengan platform aplikasi dan platform integrasi, perusahaan seperti Dust membuktikan bahwa masa depan mungkin tidak memerlukan pengiriman segalanya – hanya mengajarkan kecerdasan buatan untuk bergerak dalam kekacauan yang telah kita ciptakan.