پژوهش MASS و آموزش چندعاملی؛ یادگیری از اجرای نسخه‌های خود مدل
پیش‌چاپ MASS روشی برای آموزش مدل با اجرای چندعاملی پیشنهاد می‌کند؛ نتایج Qwen3.6-27B و تفاوت عملکرد به‌ازای توکن با افزایش عمومی دقت را بخوانید.
در این مقاله می‌خوانید ۲ بخش
MASS چگونه از اجرای چندعاملی برای آموزش استفاده می‌کند؟
پژوهش MASS و آموزش چندعاملی، در پیش‌چاپی ثبت‌شده در arXiv در ۸ اکتبر ۲۰۲۶، روشی را پیشنهاد می‌کند که مدل از مسیرهای اجرای تولیدشده توسط نسخه‌های خودش آموزش می‌بیند. هدف، کارهای پژوهشی باز است؛ کارهایی که همیشه پاسخ درست و قابل‌بررسی خودکار ندارند.
در این روش، مدل پایه یک گردش‌کار تیمی پیشنهاد می‌دهد، نقش‌های مختلف آن را اجرا می‌کند و نتایج را ارزیابی می‌کند. سپس فرایند میان دو مرحله جابه‌جا می‌شود: جست‌وجوی تکاملی برای اصلاح گردش‌کار و آموزش نظارت‌شده با مسیرهای اجرای تولیدشده. بنابراین، همکاری چندعاملی فقط شیوه پاسخ‌دادن نیست؛ داده‌ای برای آموزش بعدی مدل نیز فراهم می‌کند.
عدد ۱٫۲ تا ۱٫۶ برابر چه معنایی دارد؟
نویسندگان گزارش می‌کنند که پس از دو چرخه آموزش Qwen3.6-27B، نسبت عملکرد به توکن خروجی در چهار بنچمارک عمومی پژوهشی به ۱٫۲ تا ۱٫۶ برابر مدل پایه رسیده است. این عدد درباره عملکرد به‌ازای توکن خروجی است، نه افزایش همین‌قدر دقت در همه کارها یا صرفه‌جویی قطعی در هزینه کاربران.
همچنین، مدل آموزش‌دیده با مسیرهای چندعاملی از نمونه تک‌عاملی‌ای بهتر عمل کرده که ۱٫۴ برابر توکن آموزشی دریافت کرده بود.
این نتایج حاصل آزمایش نویسندگان در یک پیش‌چاپ است، نه تکرار مستقل. ارزیابی خروجی‌ها توسط همان مدل نیز یکی از مسائل پژوهش است؛ از این رو، مقاله اثبات خودبهبودی بی‌خطا یا نامحدود محسوب نمی‌شود و محصول مصرف‌کننده تازه‌ای معرفی نمی‌کند.
هنوز دیدگاهی منتشر نشده است. اولین نفر باشید.