Классная статья от Meta. И еще одно отличное применение многопользовательских систем. (сохраните это в закладках) Обучение современных моделей ИИ требует огромных объемов высококачественных данных. Однако узким местом является не только количество. Данные просто недостаточно разнообразны. Однообразные модели, генерирующие синтетические данные, как правило, производят однородные результаты, повторяющие шаблоны и лишенные тонкого разнообразия, присущего наборам данных, созданным человеком. Это новое исследование от Meta представляет Matrix, одноранговую структуру, в которой несколько агентов ИИ совместно генерируют синтетические обучающие данные через децентрализованные взаимодействия. Matrix достигает 2–15 раз большей пропускной способности генерации данных при идентичных аппаратных ресурсах, не ухудшая качество выходных данных. Кратко: вместо одной модели, производящей данные, специализированные агенты играют разные роли и взаимодействуют друг с другом. Один задает вопросы, другой отвечает, третий оценивает качество. Эти многоповоротные беседы захватывают сложное рассуждение и разнообразные точки зрения. Что отличает Matrix: отсутствие центрального координатора. Агенты общаются напрямую в полностью децентрализованной архитектуре. Это позволяет масштабироваться без инфраструктурных узких мест. Структура работает через протоколы разговоров на основе ролей, многоповоротные модели взаимодействия и встроенную фильтрацию качества на каждом этапе. Только данные, соответствующие качественным порогам, попадают в окончательный набор для обучения. Сотрудничество многопользовательских агентов производит более разнообразные синтетические данные, чем подходы с одной моделью. В результате полученные наборы данных улучшают производительность последующих моделей по критериям рассуждения и выполнения инструкций.