AI модели подреждат експерименти преди скъпото обучение
Изследователи от Meta FAIR, Оксфордския университет и University College London представиха AI Research Preference Models (RPMs), които избират кои експерименти по машинно обучение да изпълни изследователски агент. Системата подрежда неизпълнени кандидати, вместо да прогнозира крайните им резултати, тъй като според екипа езиковите модели не са надеждни при предвиждане на метрики и изхода от изпълнението.
RPM генерира 15 кандидати чрез процеса за търсене AIRA-dojo и ги сравнява в турнир с елиминации, като се изпълнява само победителят. Вариантът само с инференция оценява планове, код и историята на търсенето. Агентният вариант може да провежда кратки пилотни експерименти в изолирана среда с един H200. И двата използват замразени предварително обучени езикови модели без дообучаване, а Qwen3.6-27B е основа както за операторите, така и за селектора.
В 20 текстови и таблични задачи от AIRS-Bench средният нормализиран резултат се е повишил от 0.684 при случаен избор до 0.711 за RPM само с инференция и 0.729 за агентния вариант. И двата достигат резултата на базовия метод за 24 часа за около 15 часа, което е отчетено като ускорение от 1.5–1.6 пъти. Екипът съобщава още 94.1% на WinoGrande и 95.7% на SVAMP.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.