Papel legal da Meta. E outra excelente aplicação de sistemas multiagente. (marca nos favoritos) Treinar modelos modernos de IA exige grandes quantidades de dados de alta qualidade. No entanto, o gargalo não é só quantidade. Os dados simplesmente não são diversos o suficiente. Modelos únicos que geram dados sintéticos tendem a produzir resultados homogêneos, padrões repetitivos e carecem da variedade nuançada encontrada em conjuntos de dados criados por humanos. Essa nova pesquisa da Meta apresenta o Matrix, um framework peer-to-peer onde múltiplos agentes de IA geram colaborativamente dados sintéticos de treinamento por meio de interações descentralizadas. Matrix alcança 2 a 15× maior taxa de processamento de geração de dados sob recursos de hardware idênticos, sem comprometer a qualidade da saída. TL; DR: Em vez de um modelo produzir dados, agentes especializados desempenham papéis distintos e interagem entre si. Um faz perguntas, outro responde, um terceiro avalia a qualidade. Essas conversas com múltiplas voltas capturam raciocínios complexos e perspectivas diversas. O que torna Matrix diferente: sem coordenador central. Os agentes se comunicam diretamente em uma arquitetura totalmente descentralizada. Isso permite escalabilidade sem gargalos de infraestrutura. A estrutura opera por meio de protocolos de conversa baseados em papéis, padrões de interação com múltiplas curvas e filtragem de qualidade embutida em cada etapa. Apenas dados que atingem limiares de qualidade entram no conjunto final de treinamento. A colaboração multi-agente produz dados sintéticos mais diversos do que abordagens de modelo único. Os conjuntos de dados resultantes melhoram o desempenho dos modelos a jusante em benchmarks de raciocínio e seguimento de instruções.