Sakhanda Wire
NVDA $155.46 -0.44% MSFT $506.24 -2.27% GOOGL $280.20 -1.24% META $618.87 -1.20% AMZN $257.89 +0.05%
← Към новините

Perplexity отчита по-малко грешки при извикване на инструменти

Perplexity Research представи метод за допълнително обучение на агента Computer с реални потребителски сесии, включително неуспешни. Подходът съчетава дообучаване чрез отхвърляне на неподходящи примери с дистилация, насочвана от подсказки. В пряко A/B сравнение делът на неуспешните извиквания на инструменти е спаднал от 2,24% до 1,77% между два обучени варианта. Екипът определя това като статистически значимо относително намаление от 21,2%. Силното недоволство се е променило от 2,58% до 2,54%, без статистически значима разлика.

Всеки ход на асистента се определя за имитация, корекция или запазване единствено като контекст. Коректните ходове в успешни сесии се обучават с cross-entropy, а грешните ходове с проверена подсказка — с forward Kullback-Leibler цел. Учителят вижда подсказката, а ученикът не я вижда, като и двата варианта обработват записаната сесия с teacher forcing. Подсказките трябва да се основават на информация, налична преди грешката.

При офлайн оценка честотата на грешките е 0,87% за варианта RFT плюс OPSD, спрямо 2,79% за стандартния GLM 5.2 и 1,35% за RFT само, но данните за вариантите са различни. Сесиите с лични данни и потребителите, отказали участие, се изключват. Теглата и кодът не са публикувани; моделът е достъпен само като опция в Perplexity Computer, докато GLM 5.2 е публично достъпен в Hugging Face.

Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.

Първоначално публикувано от MarkTechPost на

Прочетете оригинала в MarkTechPost ↗

Репортажът и изображението принадлежат на MarkTechPost и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини