Преглед
Voyager е агент, задвижван от LLM от 2023 г., който играе Minecraft автономно, като непрекъснато се учи чрез писане на кодови умения за многократна употреба и съхраняването им в нарастваща библиотека. Той показа, че един агент може да прави отворено обучение през целия живот без градиентни актуализации, просто чрез натрупване и повторно използване на програми.
Voyager и Skill-Library Agents е технически градивен елемент, който влияе върху качеството на модела, цената на инфраструктурата, латентността и надеждността в мащаб.
Дълбоко гмуркане
Създаден от NVIDIA, Caltech и сътрудници (Wang et al.), Voyager използва GPT-4 като свой мозък и третира уменията като изпълним JavaScript код, който контролира Minecraft бот. Той работи с три взаимодействащи компонента: автоматична учебна програма, която предлага все по-трудни цели за максимизиране на изследването, итеративен механизъм за подсказване, който пише код, изпълнява го в играта, чете грешки и обратна връзка от околната среда и самостоятелно отстранява грешки, докато умението работи, и библиотека с умения, където всяко проверено умение се съхранява и индексира чрез вграждане на описание на естествен език. Тъй като новите умения са съставени от предишни съхранени, способностите се натрупват с течение на времето. Вояджър получи много по-уникални предмети, измина по-големи разстояния и отключи етапи от технологичното дърво много по-бързо от предишни агенти, а научените му умения бяха прехвърлени в нови светове.
Техническа информация
Voyager се учи в контекста, а не чрез промяна на теглото на модела. Умението е проверен кодов фрагмент; той се запазва с вграждане на неговото описание, така че когато възникне нова задача, семантично релевантните умения се извличат и предоставят като градивни елементи. Цикълът за самоусъвършенстване е: генериране на код, изпълнение, наблюдение на грешките и състоянието на играта, помолете модела да го поправи, повторение. Това превръща метода проба-грешка в трайни, композируеми програми, а не в ефимерни разсъждения.
Овладяване на Voyager и агенти с библиотека с умения
Voyager е агент, задвижван от LLM от 2023 г., който играе Minecraft автономно, като непрекъснато се учи чрез писане на кодови умения за многократна употреба и съхраняването им в нарастваща библиотека. Той показа, че един агент може да прави отворено обучение през целия живот без градиентни актуализации, просто чрез натрупване и повторно използване на програми. Voyager и Skill-Library Agents е технически градивен елемент, който влияе върху качеството на модела, цената на инфраструктурата, латентността и надеждността в мащаб. За да изградите дълбоко разбиране, третирайте Voyager и Skill-Library Agents като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силни екипи, използващи Voyager и Skill-Library Agents, оптимизират избора на архитектура, данни и инфраструктура спрямо надеждността и разходите. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Архитектурните решения стимулират производителността и оперативните разходи в продължение на години. В същото време оптимизирането на един бенчмарк може да скрие по-широки системни слабости. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Архитектурните решения стимулират производителността и оперативните разходи в продължение на години.
Архитектурните решения стимулират производителността и оперативните разходи в продължение на години. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Техническото образование помага на екипите да изберат правилния стек, а не само най-новия.
Техническото образование помага на екипите да изберат правилния стек, а не само най-новия. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
По-добрият инженерен избор намалява инцидентите, свързани с надеждността в производството.
По-добрият инженерен избор намалява инцидентите, свързани с надеждността в производството. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Автономно напредване през технологичното дърво на Minecraft (дърво към камък към желязо към диамантени инструменти) чрез композиране на научени умения.
Писане и самостоятелно отстраняване на грешки на умение за „копаене и изработване на код“, след което повторното му използване, когато тази подзадача се повтори.
Извличане на предварително съхранено умение „борба със зомби“ чрез вграждането на описанието му, когато се появи подобна заплаха.
Прехвърляне на библиотека с научени умения в прясно генериран свят на Minecraft за по-бързо стартиране на нови задачи.
Модели на изпълнение
Вояджър и агенти от библиотека с умения на практика
Автономно напредване през технологичното дърво на Minecraft (дърво към камък към желязо към диамантени инструменти) чрез композиране на научени умения.
Автономно напредване през технологичното дърво на Minecraft (дърво към камък към желязо към диамантени инструменти) чрез композиране на научени умения Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат човешки път на ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки с течение на времето.
Вояджър и агенти от библиотека с умения на практика
Писане и самостоятелно отстраняване на грешки на умение за „копаене и изработване на код“, след което повторното му използване, когато тази подзадача се повтори.
Писане и самостоятелно отстраняване на грешки в умение за „копаене и изработване на код“, след което повторното му използване, когато тази подзадача се повтори Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат човешки път за ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Вояджър и агенти от библиотека с умения на практика
Извличане на предварително съхранено умение „борба със зомби“ чрез вграждането на описанието му, когато се появи подобна заплаха.
Извличане на предварително съхранено умение „борба със зомби“ чрез неговото вграждане на описание, когато се появи подобна заплаха Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Вояджър и агенти от библиотека с умения на практика
Прехвърляне на библиотека с научени умения в прясно генериран свят на Minecraft за по-бързо стартиране на нови задачи.
Прехвърляне на библиотека с научени умения в прясно генериран свят на Minecraft за по-бързо стартиране на нови задачи Екипите обикновено получават по-добри резултати, когато дефинират прагове за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Оптимизирането на един бенчмарк може да скрие по-широки системни слабости.
Разходите за инфраструктура и поддръжка често се подценяват.
Пропуските в сигурността и видимостта могат да нарастват, когато системите стават по-сложни.
Пътна карта за изпълнение
Определете целите за латентност, качество и разходи преди внедряването.
Определете целите за латентност, качество и разходи преди внедряването. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Бенчмарк при реалистични условия на натоварване и данни.
Бенчмарк при реалистични условия на натоварване и данни. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Мониторинг на инструмента за грешки, отклонение и въздействие върху потребителя.
Мониторинг на инструмента за грешки, отклонение и въздействие върху потребителя. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Подгответе пътеките за връщане назад и реакция на инцидент преди мащабиране.
Подгответе пътеките за връщане назад и реакция на инцидент преди мащабиране. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.