Perplexity повідомила про менше помилок виклику інструментів
Perplexity Research описала метод донавчання агента Computer на реальних користувацьких сесіях, зокрема невдалих. Підхід поєднує донавчання з відбором успішних прикладів і самодистиляцію, керовану підказками. У живому A/B-тесті частка помилок виклику інструментів зменшилася з 2,24% до 1,77% між двома навченими контрольними точками. Команда назвала це статистично значущим відносним скороченням на 21,2%. Сильне невдоволення змінилося з 2,58% до 2,54%, і ця різниця не була значущою.
Кожен крок асистента відносять до імітації, виправлення або збереження лише як контексту. Правильні кроки успішних сесій навчаються через cross-entropy, а помилкові кроки з перевіреною підказкою — через ціль на основі прямої дивергенції Kullback–Leibler. Учитель бачить підказку, а учень — ні; обидва обробляють записаний крок із teacher forcing. Підказка має спиратися на інформацію, доступну до помилки.
В офлайн-перевірці рівень помилок становив 0,87% для варіанта RFT з OPSD, проти 2,79% у стандартного GLM 5.2 та 1,35% лише для RFT. Водночас ці контрольні точки використовували різні набори даних. Сесії з персональними даними та користувачі, які відмовилися від участі, виключаються. Навчені ваги й код не оприлюднені: модель доступна лише як опція в Perplexity Computer, тоді як GLM 5.2 відкрито доступна на Hugging Face.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.