Áttekintés
A Voyager egy 2023-as LLM-alapú ügynök, amely önállóan játssza a Minecraftot, folyamatosan tanul azáltal, hogy újrafelhasználható kódkészségeket ír, és tárolja azokat egy növekvő könyvtárban. Megmutatta, hogy egy ügynök nyílt végű, élethosszig tartó tanulást végezhet gradiens frissítések nélkül, egyszerűen a programok felhalmozásával és újrafelhasználásával.
A Voyager and Skill-Library Agents egy olyan műszaki építőelem, amely nagymértékben befolyásolja a modell minőségét, az infrastruktúra költségeit, a késleltetést és a megbízhatóságot.
Mély merülés
Az NVIDIA, a Caltech és a munkatársak (Wang és társai) által épített Voyager a GPT-4-et használja agyaként, és a készségeket futtatható JavaScript-kódként kezeli, amely egy Minecraft botot vezérel. Három egymással kölcsönhatásban álló komponenst futtat: egy automatikus tanterv, amely egyre keményebb célokat javasol a felfedezés maximalizálása érdekében, egy iteratív felszólító mechanizmus, amely kódot ír, futtat a játékban, olvassa a hibákat és a környezeti visszajelzéseket, és önhibakeresést végez, amíg a készség működik, valamint egy készségkönyvtár, amelyben minden ellenőrzött készség tárolva és indexelve természetes nyelvű leírással történik. Mivel az új készségek a korábban eltárolt képességekből állnak össze, a képességek idővel összeépülnek. A Voyager sokkal egyedibb tárgyakra tett szert, nagyobb távolságokat tett meg, és sokkal gyorsabban oldotta meg a technológiai fák mérföldköveit, mint a korábbi ügynökei, és tanult készségeit új világokba helyezte át.
Technikai betekintés
A Voyager a kontextusban tanul, nem a modell súlyának megváltoztatásával. A készség egy ellenőrzött kódrészlet; a leírásának beágyazásával kerül mentésre, így új feladat felmerülésekor a szemantikailag releváns készségek előhívásra kerülnek, és építőelemként adják meg. Az önfejlesztő kör a következő: kód generálása, végrehajtás, hibák és játékállapot megfigyelése, megkérése a modell javítására, ismétlés. Ez a próba-szeretkezést tartós, összeállítható programmá változtatja, nem pedig mulandó érveléssé.
A Voyager és a Skill-Library ügynökök elsajátítása
A Voyager egy 2023-as LLM-alapú ügynök, amely önállóan játssza a Minecraftot, folyamatosan tanul azáltal, hogy újrafelhasználható kódkészségeket ír, és tárolja azokat egy növekvő könyvtárban. Megmutatta, hogy egy ügynök nyílt végű, élethosszig tartó tanulást végezhet gradiens frissítések nélkül, egyszerűen a programok felhalmozásával és újrafelhasználásával. A Voyager and Skill-Library Agents egy olyan műszaki építőelem, amely nagymértékben befolyásolja a modell minőségét, az infrastruktúra költségeit, a késleltetést és a megbízhatóságot. A mély megértés kialakítása érdekében a Voyagert és a Skill-Library Agenteket működési modellként kell kezelni, nem pedig egyetlen jellemzőként: határozza meg a kívánt eredményeket, tisztázza a feltételezéseket, és válassza szét azt, amit a rendszer megbízhatóan képes elvégezni, attól, ami még szakértői megítélést igényel.
A gyakorlatban a Voyager és a Skill-Library Agents segítségével erős csapatok optimalizálják az architektúrát, az adatokat és az infrastruktúrát a megbízhatóság és a költségek szempontjából. Dokumentálják az explicit sikerkritériumokat, tesztelik a valósághű adatokat és munkafolyamatokat, és a megfigyelt hibaminták alapján iterálnak, nem pedig egyszeri benchmark győzelmek alapján. Ez az a hely, ahol az elméleti megértés tartós képességgé válik a termék, a politika és a műveletek között.
Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket. Ugyanakkor az egyik benchmark optimalizálása elrejtheti a rendszer általános gyengeségeit. A legrugalmasabb megközelítés a kísérleti sebesség és az irányítási fegyelem kombinálása: kísérleti kísérletek futtatása, bizonyítékok rögzítése, döntési naplók közzététele és a biztosítékok folyamatos frissítése a modell viselkedésének, a felhasználói elvárásoknak és a szabályozási követelményeknek megfelelően.
Stratégiai hatás
Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.
A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit. A kiváló minőségű telepítéseknél ez mérhető működési szabályokká, tulajdonosi határokká és ismétlődő felülvizsgálati rituálékká alakul át, így a csapatok növelhetik a bizalmat a kétértelműség skálázása helyett.
Valós megvalósítás
Önállóan haladva a Minecraft technológiai fáján (fától kőig, vason át gyémántszerszámokig) a tanult készségek összeállításával.
A „mine and craft” kódkészség megírása és önhibakeresése, majd újrafelhasználása, amikor a részfeladat megismétlődik.
Egy korábban tárolt „harc egy zombival” készség lekérése a leírás beágyazásával, amikor hasonló fenyegetés jelenik meg.
A tanult készségkönyvtár átvitele egy frissen generált Minecraft világba az új feladatok gyorsabb elindítása érdekében.
Megvalósítási minták
Voyager és Skill-Library Agents a gyakorlatban
Önállóan haladva a Minecraft technológiai fáján (fától kőig, vason át gyémántszerszámokig) a tanult készségek összeállításával.
A Minecraft technológiai fáján (fától kőig, vastól gyémánt szerszámokig) önállóan haladva a tanult készségek összeállításával A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböt, emberi eszkalációs utat tartanak az éles esetekben, és nyomon követik mind a termelékenységnövekedést, mind a hibaköltségeket az idő múlásával.
Voyager és Skill-Library Agents a gyakorlatban
A „mine and craft” kódkészség megírása és önhibakeresése, majd újrafelhasználása, amikor a részfeladat megismétlődik.
Az „enyém és kézműves” kódkészség megírása és önhibakeresése, majd újrafelhasználása, amikor a részfeladat megismétlődik. A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöbértékeket, emberi eszkalációs útvonalat tartanak a szélsőséges eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket is.
Voyager és Skill-Library Agents a gyakorlatban
Egy korábban tárolt „harc egy zombival” készség lekérése a leírás beágyazásával, amikor hasonló fenyegetés jelenik meg.
Egy korábban tárolt „harc egy zombival” készség lekérése a leírás beágyazásával, amikor hasonló fenyegetés jelenik meg A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs útvonalat a szélső eseteknél, és nyomon követik a termelékenység növekedését és a hibaköltségeket az idő múlásával.
Voyager és Skill-Library Agents a gyakorlatban
A tanult készségkönyvtár átvitele egy frissen generált Minecraft világba az új feladatok gyorsabb elindítása érdekében.
Tanult készségkönyvtár átvitele egy frissen generált Minecraft-világba az új feladatok gyorsabb elindítása érdekében A csapatok általában jobb eredményeket érnek el, ha előre meghatározzák a minőségi küszöböket, megtartják az emberi eszkalációs útvonalat a szélsőséges esetekhez, és nyomon követik a termelékenységnövekedést és a hibaköltségeket az idő múlásával.
Kockázatok és védőkorlátok
Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.
Végrehajtási ütemterv
A megvalósítás előtt határozza meg a késleltetési, minőségi és költségcélokat.
A megvalósítás előtt határozza meg a késleltetési, minőségi és költségcélokat. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Benchmark reális terhelési és adatviszonyok mellett.
Benchmark reális terhelési és adatviszonyok mellett. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.
A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.
A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat. Minden lépést bizonyítékkapuként kell kezelni: ha a feltételek nem teljesülnek, szüneteltesse a közzétételt, zárja be a rést, és csak ezután bővítse a felhasználást.