बड़े भाषा मॉडल (LLM) जटिल तर्क कार्यों द्वारा सीमित होते हैं जिन्हें कई चरणों, डोमेन-विशिष्ट जेएन ज्ञान या बाहरी उपकरण एकीकरण की आवश्यकता होती है। इन चुनौतियों को दूर करने के लिए, शोधकर्ताओं ने बाहरी उपकरण उपयोग के माध्यम से एलएलएम क्षमताओं को बढ़ाने के तरीकों का आविष्कार किया है। पूर्व-निर्मित उपकरणों का लाभ देकर, एआई सिस्टम वास्तविक दुनिया के निर्णय लेने, मल्टी-स्टैप लॉजिक और विशेष डोमेन अनुप्रयोगों सहित अधिक जटिल समस्याओं को हल करने के लिए दृश्यों को संभाल सकते हैं।
कई दृष्टिकोणों को उपकरणों के उपयोग को एकीकृत करने के लिए ठीक-ट्यूनिंग या अतिरिक्त प्रशिक्षण की आवश्यकता होती है, जिससे उन्हें विभिन्न कार्यों में कठोर और कठिन बनाना मुश्किल हो जाता है। मौजूदा तरीके या तो स्थिर, पूर्वनिर्धारित टूलसेट या कुशल उपकरण चयन और नियोजन तंत्र की कमी पर निर्भर करते हैं। यह अक्षमता एक सीमित अनुकूलनशीलता की ओर ले जाती है जब कार्य निष्पादन में त्रुटियों को लागू किया जाता है, गणना लागत में वृद्धि और नए डोमेन।
एलएलएम को बढ़ाने के लिए पारंपरिक दृष्टिकोणों में कुछ शॉट प्रॉम्प्टिंग, चेन-ऑफ-थोज-टॉरिंग और फंक्शन-कॉलिंग लिंग एपीआई शामिल हैं जो एआई को बाहरी उपकरणों के साथ इंटरफेस करने की अनुमति देता है। कुछ फ्रेमवर्क, जैसे कि लैंगचेन और ऑटोजेन, एलएलएम को बाहरी संसाधनों का उपयोग करने में सक्षम बनाता है, लेकिन वे अक्सर विशिष्ट अनुप्रयोगों पर ध्यान केंद्रित करते हैं या व्यापक पूर्व-निर्माण की आवश्यकता होती है। यह ढांचा मल्टी-स्टेप प्लानिंग और निष्पादन के लिए एक एकीकृत विधि प्रदान नहीं करता है, जो उन्हें जटिल तर्क समस्याओं को नियंत्रित करने में कम प्रभावी बनाता है। इसके अलावा, अधिकांश मौजूदा तरीकों में उपकरण चयन के लिए एक संरचित दृष्टिकोण की कमी होती है, जिससे निष्पादन की अशुद्धि होती है।
स्टैनफोर्ड यूनिवर्सिटी के शोधकर्ताओं ने पेश किया अखरोट उपरोक्त सीमाओं को दूर करने के लिए, एक उपन्यास संरचना जो गतिशील और संरचित बाहरी उपकरण उपयोग को सक्षम करके एआई तर्क क्षमताओं को बढ़ाती है। Oct Ktotool एक मॉड्यूलर, प्रशिक्षण -फ्री और एक्स्टेंसिबल फ्रेमवर्क है जो AI मॉडल को बाहरी उपकरणों के साथ मानकीकृत बनाता है। पिछले ढांचे के विपरीत, जिसे पूर्वनिर्धारित टूल कॉन्फ़िगरेशन की आवश्यकता होती है, ऑक्टोटूल “टूल कार्ड” का परिचय देता है, जो टूल फ़ंक्शंस ONS और मेटाडेटा को शामिल करता है। ये टूल कार्ड इनपुट-आउटपुट प्रारूपों, बाधाओं और सर्वोत्तम प्रयासों को परिभाषित करते हैं, जिससे एआई मॉडल प्रभावी रूप से एकीकृत और उपयोग करने में आसान हो जाते हैं। यह ढांचा योजनाकार-कार्यकारी प्रणाली के आसपास डिज़ाइन किया गया है जो यह निर्धारित करता है कि किसी दिए गए कार्य के लिए क्या उपकरण की आवश्यकता है, कमांड संचालन और परिणामों की सटीकता का परीक्षण करें।
फ्रेमवर्क में तीन मुख्य चरण हैं: योजना, कार्यान्वयन और सत्यापन। आयोजक पहले उपयोगकर्ता क्वेरी का विश्लेषण करता है और प्रत्येक टूल कार्ड से जुड़े मेटाडेटा के आधार पर उपयुक्त उपकरण निर्धारित करता है। इस मेटाडेटा में इनपुट आवश्यकताएं, आउटपुट अपेक्षाएं और बाधाएं शामिल हैं। एक बार जब आयोजक किसी विशेष कार्य के लिए आवश्यक उपकरणों की पहचान करता है, तो प्रशासक निष्पादन योग्य आदेशों में उच्च-स्तरीय निर्णयों में अनुवाद करता है। व्यवस्थापक इन आदेशों को सफलतापूर्वक संचालित करता है, यह सुनिश्चित करता है कि अगले चरण में जाने से पहले मध्यवर्ती परिणाम ठीक से संसाधित किए जाते हैं। निष्पादन के बाद, संदर्भ सत्यापनकर्ता यह सुनिश्चित करने के लिए आउटपुट की प्रासंगिकता का मूल्यांकन करता है कि वे मूल क्वेरी के साथ समायोजित करते हैं। यह सत्यापन प्रक्रिया यह पुष्टि करके त्रुटियों को कम करने में मदद करती है कि क्या सभी आवश्यक उप-गैल पाया जाता है। इसके अलावा, ऑक्टोटूल एक फ़ंक्शन-विशिष्ट टूलनेट इष्टतम ptimization एल्गोरिथ्म का उपयोग करता है जो प्रत्येक कार्य के लिए सबसे प्रासंगिक उपकरणों का चयन करता है, दक्षता और सटीकता में सुधार करता है।
अनुसंधान टीम ने व्यापक रूप से दृष्टि, गणितीय तर्क, वैज्ञानिक विश्लेषण और चिकित्सा कार्यक्रमों को कवर करने वाले 16 बेंचमार्क का मूल्यांकन किया। इन बेंचमार्क में अल्गोपुज़लेवका, मैथविस्टा, जीपीक्यूए, साइफिबान, मेडका और गैया-टेक्स्ट जैसे डेटासेट शामिल हैं। परिणामों से पता चला कि मौजूदा एआई ढांचे को ऑक्टोटूल में काफी बढ़ाया गया है। विशेष रूप से, ऑक्टोटूल में GPT-4O पर औसत सटीकता में 9.3% और लैंगचेन और ऑटोजेन जैसे प्रतिस्पर्धी एजेंटों में 10.6% तक सुधार हुआ है। विज़न-आधारित लॉजिक कार्यों में, ऑक्ट्टूल जीपीटी -4 ओ की सटीकता और शून्य-शॉट टोटल प्रॉम्प्टिंग विधियों पर 11.3% की सटीकता में सुधार हुआ है। बेसलाइन पर गणितीय तर्क कार्यों में 22.5% सुधार हुआ। पैथोलॉजी छवि वर्गीकरण ने 20.7% सटीकता और चिकित्सा प्रश्न के प्रचार के जवाब में 17.2% के साथ चिकित्सा और विभिन्न डोमेन में महत्वपूर्ण लाभ दिखाए हैं। कार्य-विशिष्ट टूलसेट ऑप्टिमेट PtMization एल्गोरिथ्म बढ़ी हुई दक्षता, अनावश्यक गणना को कम करता है और समग्र प्रदर्शन में सुधार करता है।
शोध से मुख्य मुख्य आकर्षण में निम्नलिखित शामिल हैं:
- अक्टूबर कताओल एआई लॉजिक की सटीकता में सुधार करता है, जो कि जीपीटी -4 ओ से अधिक 9.3% और अन्य एजेंटों के फ्रेमवर्क के 10.6% से अधिक होता है।
- फ्रेमवर्क 16 अलग -अलग लॉजिक कार्यों का समर्थन करता है, जिसमें दृष्टि -आधारित विश्लेषण, गणितीय गणना, चिकित्सा तर्क और एंजाइम शामिल हैं। एनआईके डेटा व्याख्या।
- OCT KTOTOOL का मॉड्यूलर टूल कार्ड सिस्टम सहज उपकरण एकीकरण को सक्षम करता है, पूर्वनिर्धारित टूल कॉन्फ़िगरेशन की आवश्यकता को कम करता है, और फ्रेमवर्क को नए डोमेन के लिए स्वीकार्य बनाता है।
- आयोजक-निष्पादन प्रणाली प्रणाली को निर्णय लेने के लिए सबसे अच्छा बनाती है, सटीक निष्पादन सुनिश्चित करते हुए प्रत्येक कार्य के लिए सबसे अधिक प्रासंगिक उपकरणों का चयन करती है।
- टूलसेट ऑप्टिमेंट Ptimization एल्गोरिथ्म दक्षता में सुधार करता है, गणना ओवरहेड को कम करता है, और यह सुनिश्चित करता है कि किसी दिए गए समस्या के लिए केवल सबसे अधिक लाभकारी उपकरण का उपयोग किया जाता है।
- ऑक्टोटूल चिकित्सा कार्यक्रमों में 20.7% सटीकता में सुधार करते हैं, वास्तविक दुनिया ए-एसीकॉमपैनिंग डायग्नोस्टिक्स में इसकी प्रभावशीलता दिखाते हैं।
- ऑक्टोटूल मल्टी-स्टेप तर्क कार्यों में 22.5%पारंपरिक संकेत विधियों का नेतृत्व करता है, जो संरचित समस्या में अपने सर्वोत्तम प्रभाव को उजागर करता है।
- अन्य फ्रेमवर्क के विपरीत, ऑक्टोटूल में अतिरिक्त मॉडल को फिर से व्यवस्थित करने की आवश्यकता नहीं है, जिससे यह एआई-संचालित निर्णय लेने के लिए एक लागत प्रभावी और स्केलेबल समाधान बन जाता है।
जाँच करना पेपर और GitHB पेज। इस शोध के लिए सभी श्रेय इस परियोजना के शोधकर्ताओं को जाते हैं। इसके अलावा, हमें फॉलो करने के लिए स्वतंत्र महसूस करें ट्विटर और हमसे जुड़ने के लिए मत भूलना 75 के+ एमएल सब्राडिट।
। अनुशंसित रीडिंग- एलजी एआई रिसर्च नेक्सस प्रकाशित करता है: एआई डेटासेट में कानूनी चिंताओं को खत्म करने के लिए एजेंट एआई सिस्टम और डेटा अनुपालन मानकों को एकीकृत करने वाला एक उन्नत प्रणाली
ASIF Razzaq एक दूरदर्शी उद्यमी और इंजीनियर के रूप में मार्केटएकपोस्ट मीडिया इंक के सीईओ हैं, ASIF सामाजिक अच्छे के लिए कृत्रिम बुद्धिमत्ता की संभावना को बढ़ाने के लिए प्रतिबद्ध है। उनका सबसे हालिया प्रयास आर्टिफिशियल इंटेलिजेंस मीडिया प्लेटफॉर्म, मार्कटेकपोस्ट का उद्घाटन है, जो मशीन लर्निंग की गहराई के लिए और कवरेज की गहराई के लिए गहरी सीखने की खबर के लिए है। यह तकनीकी रूप से ध्वनि है और एक बड़े दर्शकों द्वारा आसानी से समझ में आता है। प्लेटफ़ॉर्म में 2 मिलियन से अधिक मासिक दृश्य हैं, जो दर्शकों के बीच अपनी लोकप्रियता दिखाते हैं।
