OpenHands: پلتفرم باز برای عامل‌های نرم‌افزاری هوش مصنوعی و معنای آن برای اتوماسیون مالی
عامل CodeAct در OpenHands در SWE-Bench Lite ۲۶٪ می‌گیرد؛ یعنی کار مطمئن امروز محدود است. اتوماسیون مالی باید محدود آغاز شود، نه خودمختار.
#developers
توسعه‌دهندگان
منابع توسعه‌دهندگان، APIها و مستندات یکپارچه‌سازی ابزارهای مالی
ShieldAgent: استدلال سیاست امنیتی قابل تایید برای عامل‌های LLM
ShieldAgent با استفاده از مدارهای قاعده احتمالاتی به جای محافظ‌های مدل زبانی بزرگ، به ۹۰.۴٪ دقت در حملات عامل با ۶۴.۷٪ تماس API کمتر می‌رسد.
تنظیم دقیق در مقابل RAG: چرا بازیابی برای تزریق دانش جدید به مدل‌های زبانی بزرگ پیروز می‌شود
RAG روی واقعیت‌های پس از برش، دقت ۰.۸۷۵ می‌گیرد و تنظیم دقیق در ۰.۵۰۴ متوقف می‌شود. برای عامل با به‌روزرسانی مکرر دفتر کل، بازیابی بهتر است.
گوریلا: چگونه آموزش آگاه از بازیابی توهمات API در مدل‌های زبانی بزرگ را از ۷۸٪ به ۱۱٪ کاهش می‌دهد
آموزش آگاه به بازیابنده Gorilla نرخ توهم API در LLM را از ۷۸٪ به ۱۱٪ می‌رساند و فراخوانی ابزار را برای عامل‌های مالیِ نوشتنی به‌قدر کافی قابل‌اعتماد می‌کند.
SWE-agent: چگونه طراحی رابط کاربری پتانسیل مهندسی نرم‌افزار خودکار را آزاد می‌کند
رابط‌های عامل-رایانه SWE-agent، GPT-4 Turbo را از شل خام به ۱۲.۴۷٪ در SWE-bench رساند؛ ۱۰.۷ واحد افزایش فقط از طراحی رابط.
SWE-bench: آیا مدل‌های زبانی می‌توانند مسائل واقعی گیت‌هاب را حل کنند؟
SWE-bench مدل‌های زبانی را روی ۲,۲۹۴ مسئله واقعی GitHub می‌سنجد؛ هنگام انتشار، Claude 2 فقط ۱.۹۶٪ را حل کرد. محدودیت بازیابی و طول وصله، عامل‌های کدنویسی را شکل می‌دهد.
Toolformer: استفاده از ابزار بصورت خود-نظارتی و محدودیت‌های آن برای هوش مصنوعی مالی
Toolformer به مدل ۶.۷B می‌آموزد با فیلتر آنتروپی API فراخوانی کند و GPT-3 175B را در حساب شکست می‌دهد؛ طراحی تک‌مرحله‌ای، فراخوانی زنجیره‌ای دفتر کل را می‌بندد.