~/DECISION MOD/first-comprehensive-playbook-and-open-source-models-for-sota-decision-making-ai

Cẩm nang toàn diện đầu tiên và các mô hình mã nguồn mở cho AI ra quyết định SOTA

Nace AI Research Lab vừa công bố một báo cáo kỹ thuật dài 50 trang cùng với các mô hình mã nguồn mở, trình bày chi tiết toàn bộ kiến trúc, tập dữ liệu và phương pháp huấn luyện cho các mô hình ra quyết định Drex của họ. Bản phát hành bao gồm các điểm đổi mới như Học tăng cường từ phản hồi được điều chỉnh (RLAF), hiệu chuẩn độ tin cậy và xáo trộn tùy chọn. Sự kiện này giải quyết một khoảng trống lớn về kiến thức trong cộng đồng AI bằng cách vượt qua các kết quả thử nghiệm thông thường để tài liệu hóa cởi mở cách huấn luyện các mô hình ra quyết định tiên tiến. Nó cung cấp các nguồn lực thực tế cho các nhà phát triển đang thử nghiệm bộ định tuyến tác nhân cục bộ, lựa chọn công cụ và các khuôn khổ ra quyết định chuyên specialized. Các mô hình Drex có quy mô từ 9B đến 35B tham số, sử dụng các kiến trúc như Dense Causal Transformers và Mixture of Experts, đạt độ chính xác cao cùng độ trễ dưới 100ms trên bối cảnh dài tới 128K token. Các nghiên cứu bóc tách cho thấy phần lớn mức tăng hiệu suất đến từ việc Tinh chỉnh có giám sát (SFT), trong khi RLAF chủ yếu cải thiện việc hiệu chuẩn độ tin cậy.

## KIẾN THỨC NỀN

Mô hình ra quyết định trong AI là các hệ thống chuyên biệt được thiết kế để đánh giá các trạng thái phức tạp, cân nhắc các lựa chọn thay thế và chọn ra các hành động hoặc lựa chọn tối ưu thay vì chỉ tạo ra văn bản thông thường. Các kỹ thuật như Tinh chỉnh có giám sát (SFT) và Học tăng cường là những phương pháp chuẩn được sử dụng để căn chỉnh đầu ra của mô hình với các chỉ số hiệu suất mong muốn và logic đã được xác minh.

## TỪ KHÓA

#Decision Models#Machine Learning#Reinforcement Learning#Open Source#AI Research

$ subscribe --daily