ToolVerse: 대인격 강화 학습을 위한 거대한 환경 및 장기적인 목표를 풀어내다.
대규모 언어 모델(LLM) agent는 compact하고 잘 정의된 시나리오에서 강력한 추론 능력을示산하지만, 대규모, 다양한, 그리고 동적 세계 환경에서 TOOL INTEGRATION이 필요할 때에는 강도와 효율성이 유지되지 않는다. 이 격차를 해결하기 위해 우리는 TOOLVERSE라는 통합 framework를 도입한다. TOOLVERSE는 대규모 TOOL-INTEGRATED REASONI
도입
대규모 언어 모델(LLM) 에이전트는.compact하고 잘 정의된 시나리오에서 강력한 추론 능력을 보여주지만, 대규모, 다양한, 그리고 동적 세계 환경에서 TOOL INTEGRATION이 필요할 때에는 강도와 효율성이 유지되지 않는다. 이러한 격차를 해결하기 위해 TOOLVERSE라는 통합 프레임워크를 도입한다. TOOLVERSE는 대규모 TOOL-INTEGRATED REASONING(TIR) 환경을 확장하고 에이전트가 TOOL-INTEGRATED REASONING(TIR) 작업에서 복잡한 장기 추론을 수행할 수 있도록 한다.
TOOLVERSE는 다음과 같이 작동한다. 첫 번째로, TOOLVERSE는 약 400개의 REAL-WORLD MODEL CONTEXT PROTOCOLS(MCPs)가 포함된 약 4500개의 TOOL을 자동으로 빌드하여 MASSIVE EXECUTABLE AGENT TRAINING ENVIRONMENTS를 생성한다. 두 번째로, TOOL-INTEGRATED REASONING(TIR) 작업을 위한 TASK DESIGN STRATEGY를 제안한다.
TOOLVERSE 프레임워크
이 전략은 TOOL DEPENDENCY GRAPH를 사용하여 동적 언락 샘플링 알고리즘을 사용하여 장기 목표를 생성하고 GUST(GRAPH UNLOCKING SAMPLING TASKS) 데이터 세트를 생성한다. 세 번째로, 장기 목표를 가진 대규모 언어 모델(agent RL)에서 CREDIT ASSIGNMENT PROBLEM을 해결하기 위해 TURN-AWARE RELATIVE ADVANTAGE 알고리즘을 제안한다.
TOOLVERSE 프레임워크를 사용하여 대규모 언어 모델(agent RL) 훈련을 수행하고 다양한 대규모 언어 모델(benchmarks)에서 평가한다. 실험 결과 TOOLVERSE 프레임워크는 장기 목표 TOOL 사용에서 대규모 언어 모델(LLM)의 능력을 강화시키고, 동적 환경에서 강력한 추론 능력을 보여준다.
함께 읽으면 좋은 기사
Meta의 영감은 OpenAI와 Anthropic에서 본격적으로 빛나는 AI를 훔쳤습니다.
AI 리더들이 OpenAI와 Anthropic에서 "선도 경계를 맞춰가기"라는 주제로 논의를 시작했을 때, 누군가는 "어느 속도로?"라는 질문을 해야 했을 수도 있었다. 이제는 두 회사가 모두 모델을 출시하는 모델 출시 주간이 되었는데, Anthropic이 Opus 5.5을 출시한 후 OpenAI가 GPT-6 모델 업데이트를 90분만에 출시했다. 그러나 스포트라이트를 잡은 것은 Meta 였는
메타, 인공지능 앱 '뮤즈'에 힘을 싣는다
메타는 인공지능 개인 에이전트 '뮤즈'를 더욱 홍보하기 위해 대규모 언어 모델(LLM) 기반 앱의 홍보를 강화하고 있습니다. 뮤즈 앱은 앱스토어 차트에서 1위를 차지하고 사용자 추가가 빠른 속도로 진행되고 있습니다.
메타의 AI 태그치 시도는 성공적인 것일까?
메타의 개인 AI 에이전트 '뮤즈'가 ChatGPT의 초기 성과를 능가하고 있으며, 스마트 글래스와 같은 장치로 확장될 예정입니다. 메타의 AI 태그치 시도가 성공적인 것일까요?
OpenAI의 agent 군단이 수개월 동안 온라인 데이터베이스를 공격해 희귀한 사실을 찾고 있다.
연구자들이 최근에 불법적 인 에이전트 군집들이 발견되었다고 밝혔다.
강화 학습 기반 역할 놀이 에이전트의 역할 학습을 위한 적대적 폐쇄 루프 교육과정
역할 연기하는 agent는 대규모 언어 모델을 기반으로 한 것들이 개인화된 지원 및 사회 시뮬레이션과 같은 분야에서 광범위하게 적용되어 왔다. 최근 RL 방법들은 학습이 시작되기 전에 미리 수집한 고정된 시나리오 풀에서 훈련을 받는다. 이로 인해 분포적 병목 현상이 발생한다: agent가 향상될수록 agent가 나쁜 성능을 보이는 시나리오도 변하고, 훈련 분포는 정적이다. 따라서, 우리는 역
BaseCamp - AI 프레임워크를 활용한 DNA 서열 데이터 PIPE라인 자동화
DNA 시퀀싱 pipe라인을 처리하는 quality control, alignment, variation calling, annotation과 같은 작업은 이제 대규모 언어 모델(LLM)과 같은 established bioinformatics 도구를 scale에 맞게 조율하는 workflow 관리 시스템에 의해 신뢰할 수 있게 실행되고 있습니다. 그러나 그 실행에 관련된 결정 layer는 여
관련 콘텐츠 더 보기
다른 플랫폼에서 이 주제에 대한 더 많은 정보를 확인하세요.