Artificial Intelligence 1 λεπτό ανάγνωσης

L²-VMAS: Βελτίωση VMAS με μείωση κόστους και αύξηση ακρίβειας.

Ενώ τα Οπτικά Πολυ-Πρακτορικά Συστήματα (VMAS) υπόσχονται ενίσχυση ικανοτήτων μέσω συνεργασίας μεταξύ πρακτόρων, εμπειρικά δεδομένα αποκαλύπτουν ένα αντιφατικό “scaling wall”: η αύξηση των διαδοχικών ενεργειών των πρακτόρων συχνά υποβαθμίζει την απόδοση, αυξάνοντας εκθετικά το κόστος των tokens. Αυτή η αποτυχία αποδίδεται στο πληροφοριακό αδιέξοδο της κειμενοκεντρικής επικοινωνίας, όπου η μετατροπή αντιληπτικών και γνωστικών διαδρομών σε φυσική γλώσσα προκαλεί απώλεια σημασίας.

Προς αυτόν τον σκοπό, προτείνεται το L²-VMAS, ένα καινοτόμο πλαίσιο ανεξάρτητο από μοντέλα, που επιτρέπει συνεργασία μεταξύ πρακτόρων με διπλές λανθάνουσες μνήμες. Επιπλέον, αποσυνδέει την αντίληψη από τη σκέψη, συνθέτοντας δυναμικά αυτές τις μνήμες. Εισάγεται επίσης ένας προληπτικός μηχανισμός ενεργοποίησης βασισμένος στην εντροπία, ο οποίος αντικαθιστά την παθητική μετάδοση πληροφοριών με αποτελεσματική, κατ’ απαίτηση πρόσβαση στη μνήμη.

Εκτεταμένα πειράματα σε αρχιτεκτονικές βάσης, μεγέθη και δομές πολυ-πρακτορικών συστημάτων αποδεικνύουν ότι η μέθοδος διασπά αποτελεσματικά το “scaling wall” με εξαιρετική επεκτασιμότητα. Βελτιώνει τη μέση ακρίβεια κατά 2,7-5,4% και μειώνει τη χρήση των tokens κατά 21,3-44,8%.