Peneliti di dengan Saya mengembangkan kerangka kerja yang disebut Model bahasa self -adaptation (Seal) Model LLMS memungkinkan pembelajaran dan terus beradaptasi dengan memperbarui parameter internal mereka. Seal cenderung LLM untuk membuat data pelatihan dan memperbarui instruksi, memungkinkannya untuk menyerap pengetahuan baru secara permanen dan mempelajari tugas -tugas baru.

Kerangka kerja ini dapat berguna untuk aplikasi lembaga, terutama untuk agen kecerdasan buatan yang bekerja di lingkungan yang dinamis, di mana mereka harus terus -menerus memproses informasi baru dan menyesuaikan perilaku mereka.

Tantangan AC LLMS

Meskipun model bahasa besar telah menunjukkan kemampuan yang hebat, adaptasi mereka dengan tugas -tugas spesifik, menggabungkan informasi baru, atau penguasaan keterampilan berpikir baru, masih merupakan hambatan yang besar.

Saat ini, ketika menghadapi tugas baru, LLM biasanya belajar dari data “AS-IS” melalui metode seperti Finetung atau Lost-Context. Namun, data yang disediakan tidak selalu dalam format optimal model untuk belajar secara efisien. Metode model saat ini tidak memungkinkan pengembangan strategi sendiri untuk konversi dan pembelajaran terbaik dari informasi baru.

“Misalnya, asisten pengkodean mungkin perlu menyerap kerangka kerja program yang ditentukan perusahaan, atau model yang dihadapi pelanggan mungkin perlu mempelajari perilaku atau preferensi pengguna yang unik dari waktu ke waktu,” kata Gio Barry, seorang mahasiswa PhD di Massachusetts Institute of Technology dan rekan kerja kertas.

Dalam kasus seperti itu, pengambilan sementara terbatas, dan pengetahuan harus “dipanggang” berat model untuk mempengaruhi semua respons di masa depan.

Buat Model Bahasa yang Diri Sendiri

“Sebagai langkah menuju pengembangan dan adaptasi model bahasa yang efektif, kami menyarankan agar LLM dilengkapi dengan kemampuan untuk menghasilkan data pelatihan dan arahan mereka dalam menggunakan data ini,” kata para peneliti di Massachusetts Institute of Technology dalam makalah mereka.

Solusi peneliti adalah segel, kependekan dari model adaptasi diri. Algoritma Pembelajaran Penguatan (RL) digunakan untuk melatih LLM untuk membuat instruksi “pengeditan diri” dalam bahasa alami yang mendefinisikan cara memperbarui model atau bobotnya sendiri. Pemerintah mandiri ini dapat merestrukturisasi informasi baru, membuat contoh pelatihan buatan, atau bahkan mengidentifikasi parameter teknis dari proses pembelajaran itu sendiri.

Secara intuitif, SEAL mengajarkan model cara membuat panduan kustomnya. Alih -alih hanya membaca dokumen baru (data awal), formulir belajar untuk menulis ulang dan membuat kembali informasi dengan cara yang dapat menyerap dan menyerapnya dengan lebih mudah. Proses ini menyatukan banyak bidang utama penelitian kecerdasan buatan, termasuk pembuatan data buatan dan pembelajaran untuk meningkatkan dan pelatihan pada waktu tes (TTT).

Bingkai bekerja pada sistem loop. Dalam “cincin internal”, model ini menggunakan pengeditan diri untuk membuat pembaruan sementara sementara untuk bobotnya. Dalam “Episode Eksternal”, sistem mengevaluasi apakah pembaruan ini telah meningkatkan kinerja model pada misi yang ditargetkan. Jika ya, model menerima hadiah positif, yang meningkatkan kemampuannya untuk menghasilkan jenis muatan diri yang efektif ini di masa depan. Seiring waktu, LLM menjadi ahli dalam mengajar dirinya sendiri.

Dalam studi mereka, para peneliti menggunakan satu model dari seluruh bingkai perangko. Namun, mereka juga memperhatikan bahwa proses ini dapat dipisahkan dalam model “guru-siswa”. Model guru khusus dapat dilatih untuk menghasilkan pengeditan diri yang efektif untuk model siswa yang terpisah, yang akan diperbarui setelah itu. Pendekatan ini dapat memungkinkan jalur pipa adaptif yang lebih khusus dan efektif dalam pengaturan lembaga.

Segel

Para peneliti menguji segel di dua bidang utama: menggabungkan pengetahuan (kemampuan untuk mengintegrasikan fakta baru secara permanen) dan belajar sedikit bidikan (kemampuan untuk menggeneralisasi dari beberapa contoh).

Untuk mengintegrasikan pengetahuan, tujuannya adalah untuk mengetahui apakah model dapat menjawab pertanyaan tentang klip teks tanpa mencapai klip selama interogasi. Finetuning llama-3.2b disajikan pada teks mentah hanya peningkatan marjinal pada model dasar.

Namun, ketika model SEAL menciptakan “pengeditan diri” dengan menghasilkan banyak “barang antik” dari klip dan dilatih pada data buatan ini, akurasinya melonjak menjadi 47 %. Perlu dicatat bahwa hasil ini melebihi kinerja penggunaan data buatan yang dibuat oleh GPT-4.1 terbesar, yang menunjukkan model yang telah dipelajari untuk membuat bahan pelatihan yang unggul untuk dirinya sendiri.

Untuk belajar sedikit, para peneliti menguji segel pada contoh pemikiran busur, di mana model harus menyelesaikan teka -teki visual. Pada tahap self -liberasi, model harus membuat strategi adaptasi keseluruhan, termasuk bala bantuan data dan alat yang harus digunakan dan tingkat pembelajaran yang harus diterapkan.

SEAL mencapai tingkat keberhasilan 72,5 %, peningkatan yang signifikan dalam tingkat 20 % tanpa pelatihan RL dan pembelajaran standar 0 % dalam konteks.

Efek dari institusi

Beberapa ahli menawarkan bahwa menyediakan data pelatihan berkualitas tinggi yang dibuat oleh manusia dapat habis di tahun -tahun mendatang. Kemajuan mungkin segera tergantung pada “kemampuan model untuk menghasilkan sinyal pelatihan penggunaan tinggi,” kata para peneliti. Mereka menambahkan, “Langkah alami berikutnya adalah merancang bentuk generator tempat tinggal buatan yang berdedikasi yang menghasilkan perusahaan korpora prajurit baru, yang memungkinkan bahan di masa depan untuk memperluas efisiensi data dan mencapai data yang lebih besar tanpa mengandalkan teks manusia tambahan.”

Misalnya, para peneliti menyarankan agar LLM dapat memakan dokumen -dokumen kompleks seperti makalah akademik atau laporan keuangan dan menghasilkan ribuan interpretasi dan efek pada memperdalam pemahaman mereka.

“Episode berulang dari ekspresi diri dan informasi diri ini dapat memungkinkan spesifikasi untuk meningkat dalam topik langka atau aktris aktif bahkan tanpa adanya pengawasan eksternal tambahan,” jelas para peneliti.

Kemampuan ini sangat menjanjikan untuk membangun agen kecerdasan buatan. Agen harus mendapatkan pengetahuan dan menjaga mereka saat mereka berinteraksi dengan lingkungan mereka. Segel menyediakan mekanisme untuk ini. Setelah reaksi, agen dapat mensintesis pengeditan diri untuk membuat pembaruan berat badan, memungkinkannya untuk menyerap pelajaran yang dipetik. Agen ini memungkinkan pengembangan dari waktu ke waktu, meningkatkan kinerjanya berdasarkan pengalaman, dan mengurangi ketergantungannya pada pemrograman tetap atau panduan manusia yang sering.

“Seal menjelaskan bahwa model bahasa besar tidak tetap diperbaiki setelah pelatihan,” tulis para peneliti. “Dengan belajar menghasilkan data pengeditan diri mereka dan menerapkannya melalui pembaruan ringan, mereka dapat secara mandiri mengintegrasikan pengetahuan baru dan beradaptasi dengan tugas -tugas baru.”

Pembatasan segel

Namun, segel bukanlah solusi global. Misalnya, ia dapat menderita “kelupaan bencana”, di mana kursus pelatihan ulang yang berkelanjutan dapat mempelajari model sebelumnya.

“Dalam implementasi kami saat ini, kami mendorong pendekatan hibrida,” kata Barry. “Lembaga harus selektif tentang pengetahuan penting yang cukup untuk menggabungkannya secara permanen.”

Data yang realistis dan dikembangkan dapat tetap dalam memori eksternal melalui pemotongan, sementara pengetahuan jangka panjang dalam bentuk perilaku lebih cocok untuk pembaruan tingkat berat segel.

Dia berkata: “Jenis strategi memori hibrida ini memastikan bahwa informasi yang benar berlanjut tanpa melanjat model atau memberikan kelupaan yang tidak perlu.”

Perlu juga dicatat bahwa segel membutuhkan waktu yang tidak membedakan waktu untuk menetapkan contoh -contoh pembiberasi diri dan melatih model. Ini membuat pembebasan terus menerus dalam waktu aktual tidak mungkin di sebagian besar pengaturan produksi.

Barry mengatakan: “Kami membayangkan model penerbitan yang lebih praktis karena sistem mengumpulkan data untuk beberapa periode, atau beberapa jam atau sehari dan kemudian menargetkan pengeditan diri selama periode modernisasi yang dijadwalkan.” “Pendekatan ini memungkinkan lembaga untuk mengendalikan biaya adaptasi, sambil melanjutkan kemampuan torrent untuk menyerap pengetahuan baru.”

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 prioritas jurnalistik internal atas apa yang dilakukan perusahaan dengan kecerdasan buatan kebidanan, dari transformasi organisasi hingga operasi penerbitan praktis, sehingga Anda dapat berbagi visi pengembalian investasi maksimum.

Baca Kebijakan Privasi Kami

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

Terjadi kesalahan.

Terlepas dari keynote WWCCC yang panjang, setiap fitur baru dengan iOS 26 bukanlah waktu bagi Apple untuk mengiklankan pengiriman. Sebagai contoh, kami penguji beta mencari OS baru serta belajar tentang fitur baru dan perubahan kecil. Penguji ini telah mengeringkan tambahan baru yang kecil, tapi lucu: iPhone Anda Mendapatkan Nada Dering BaruItu

Secara teknis, ia mendapatkan versi terpisah dari nada dering yang ada. Setidaknya, Apple jelas melihat hal -hal: Setelah rilis iOS 26 Beta 2, Apple pertama kali menambahkan versi alternatif dari salah satu nada dering yang ditandatangani – khususnya, “nada dering iOS default yang awalnya diperkenalkan dengan iPhone X” akan disediakan, “Pengaturan Nada Dering” akan melihat “pengaturan nada dering”. 1 “Ini adalah nada dering barumu.

Semakin menarik dari vokal itu sendiri adalah bahwa pengamat Ken beta benar -benar menemukannya di bit pertama untuk iOS 26: meskipun tidak ada alternatif untuk pengaturan Ulta Rington, file suara itu sendiri Adalah Muncul di file IPSW untuk sistem operasi Pengguna x ini Ditemukan 18 Juni. Anda dapat mendengar nada dering di pos Anda ada di pos:

Tweet ini saat ini tidak tersedia. Itu telah dimuat atau dilepas.

Saya dapat mendengar kesamaan antara ALT 1 dan versi default dari refleksi, tetapi kenyataannya adalah, tampaknya cukup unik di telinga saya untuk entri Alt 1 sendiri. Apple dapat mengatakan “rumor” atau “refraksi” atau pada kenyataannya, dan saya tidak berpikir bahwa banyak orang mengeluh bahwa itu tampak sangat dekat dengan nada dering default yang ada.

Agar adil, alt 1 Adalah Nama yang bagus untuk nada dering. Dan siapa tahu – Apple dapat mengubah nama atau OS dapat membuat entri terpisah sebelum dipublikasikan secara resmi. Ini dapat menambahkan lebih banyak nada alternatif, atau untuk menghapus 1 sepenuhnya. Kami tidak akan tahu sampai versi final iOS 26 diluncurkan di musim gugur ini.

Ester Marshall menulis

Diterbitkan: 09:39 EDT, 23 Juni 2025 | Memperbarui: 09:42 EDT, 23 Juni 2025

Buck up pencari sensasi.

Sebuah studi baru menemukan taman hiburan murah di Inggris selama sehari. Penelitian ini membuat taman hiburan paling terjangkau untuk tiket anak pada akhir pekan musim panas musim panas.

Menurut penelitian, Playland Fun Park di Warstershire Taman hiburan murah resmi di Inggris.

Storeport-on-Severone Park memiliki akses gratis penuh dengan wahana hanya mulai dari £ 1. Anak-anak dapat menikmati perahu bemper di taman atau papan go-cart.

Seorang pengulas menulis di Google Review bahwa taman itu menggambarkan ‘tempat yang baik untuk semua keluarga’ dan pengunjung lain untuk itu sebagai ‘taman yang benar -benar indah’.

Berikutnya murah Taman Petualangan Web York Di mana tiket akhir pekan anak -anak membutuhkan biaya perjalanan dengan £ 17,95.

Taman kueri berisi zona luar ruangan dengan zona hewan, termasuk kuda poni, alpaka dan banyak lagi dan kursus ninja dengan zona bermain dalam ruangan dengan kursus ninja.

Seorang pengulas menggambarkannya sebagai ‘tempat yang begitu indah’ ​​untuk memberikan taman lima bintang di google ulasan dan yang lain mengatakan itu adalah ‘tempat yang indah dan terikat yang anak -anak suka melakukan segalanya di satu tempat’.

Playland Fun Park di Warstershire adalah taman hiburan murah di Inggris. Itu baru saja masuk dengan bebas dengan wahana, mulai dengan hanya $ 1. Anak-anak dapat menikmati perahu bemper di taman atau naik-kereta

Berikutnya Murah adalah Taman Petualangan Web York di mana biaya tiket akhir pekan anak termasuk £ 17,95

Cornwall, Camel Creek, terletak di taman hiburan Sasta ketiga di Inggris, naik air, ayunan kursi, golf petualangan dan bahkan keluarga mircats

Taman hiburan langkah ketiga di Inggris adalah taman Taman Petualangan Keluarga Camel Creek Di mana harga tiket bayi adalah dengan akses ke wahana mulai £ 20.

Terletak di Cornwal, taman hiburan memiliki naik air, ayunan kursi, golf petualangan dan bahkan keluarga mircats.

Seorang pengunjung menulis di Google Review: ‘Camel Cry mengalami hari yang sangat cerah!

“Kami menyambut lingkungan sejak kami tiba dan taman itu bersih dan terawat dengan baik.”

Pulau Fantasi Mendarat di luar tiga teratas karena kemudahan keempat Inggris adalah taman hiburan.

The Adventurer’s Pass dapat dibeli untuk beberapa taman anak-anak, termasuk Flum Flum Flum, Reverse Rapids dan kursi-o-planes di banyak wahana di taman anak-anak.

Pulau Fantasi juga merupakan pasar tujuh hari terbesar di Eropa, yang menjual segala sesuatu mulai dari furnitur taman hingga suvenir.

Taman hiburan yang terjangkau berikutnya di Inggris Chasaire Di mana tiket akhir pekan dihargai $ 22,95 untuk lebih dari 105 cm.

Pulau Fantasi di Skygnes mendarat dari tiga besar, menghabiskan $ 20,50 pada akhir pekan dengan umpan petualang sebagai taman hiburan keempat di Inggris

Taman hiburan murah di Inggris

Nama	Harga
Playland Fun Park	£ 0
Taman Petualangan Web	£ 17,95
Taman Petualangan Keluarga Camel Creek	£ 20
Pulau Fantasi	£ 20,50
Benevisual	£ 22,95

Nature-Themmated Park berisi teka-teki langit, garis zip, dan jejak hutan ‘pengkhianat’.

Seorang pengunjung TripAdviser menggambarkan taman itu sebagai ‘sangat terawat dengan baik’ bahwa staf ‘melakukan’ luar biasa ‘dengan menjaga’ semuanya bersih dan bersih.

Outdoor Toy, yang melakukan penelitian, menganalisis harga tiket akhir pekan musim panas untuk 2025 untuk menemukan atraksi murah.

Bahkan ada perjanjian murah untuk wisatawan di taman yang bersedia bertemu seminggu.