Hârtie tare de la Meta. Și o altă aplicație excelentă a sistemelor multi-agent. (îl adaugă la favorite) Antrenarea modelelor AI moderne necesită cantități masive de date de înaltă calitate. Totuși, blocajul nu este doar cantitatea. Datele pur și simplu nu sunt suficient de diverse. Modelele individuale care generează date sintetice tind să producă rezultate omogene, tipare repetitive și lipsită de varietatea nuanțată întâlnită în seturile de date create de om. Această nouă cercetare a Meta introduce Matrix, un cadru peer-to-peer în care mai mulți agenți AI generează colaborativ date sintetice de antrenament prin interacțiuni descentralizate. Matrix obține un debit de generare de date de 2–15× mai mare sub resurse hardware identice, fără a compromite calitatea ieșirii. TL; DR: În loc ca un singur model să producă date, agenții specializați joacă roluri distincte și interacționează între ei. Unul pune întrebări, altul răspunde, al treilea evaluează calitatea. Aceste conversații cu mai multe ture surprind raționamente complexe și perspective diverse. Ce face Matrix diferit: nu există un coordonator central. Agenții comunică direct într-o arhitectură complet descentralizată. Acest lucru permite scalabilitatea fără blocaje în infrastructură. Cadrul funcționează prin protocoale de conversație bazate pe roluri, tipare de interacțiune cu mai multe ture și filtrare integrată a calității la fiecare etapă. Doar datele care ating pragurile de calitate ajung în setul final de antrenament. Colaborarea multi-agent produce date sintetice mai diverse decât abordările cu un singur model. Seturile de date rezultate îmbunătățesc performanța modelelor ulterioare în benchmark-urile de raționament și urmare a instrucțiunilor.