May-akda: Boxu Li 

Mula sa Foundation Models patungo sa Personalized Agents

Ang mga modernong foundation models ay nagpapakita ng kahanga-hangang kaalaman at kakayahan sa pangangatwiran. Gayunpaman, ang mga base models na ito ay hindi agad-agad na naiaangkop sa indibidwal na mga gumagamit. Madalas silang kulang sa konteksto tungkol sa iyo at nahihirapan sa tunay na malikhaing paglutas ng problema sa hindi pamilyar na mga sitwasyon. Halimbawa, natuklasan ng mga mananaliksik na kahit ang pinaka-advanced na language models ay nahihirapan sa mga gawain na nangangailangan ng mapanlikhang solusyon – nangangailangan ng hanggang sampung beses na mas maraming hakbang kaysa sa optimal at hindi pa rin umaabot sa pagganap ng tao, dahil may tendensiya silang manatili sa karaniwang pag-iisip. Sa karaniwan, ang kasalukuyang LMs ay nakamit lamang ang humigit-kumulang 15% na progreso sa isang benchmark ng malikhaing puzzle nang walang mga pahiwatig, na nagdidiin sa kanilang mga limitasyon sa pagkamalikhain. Ang agwat sa pagkamalikhain na ito ay kapansin-pansin dahil ang malikhaing katalinuhan – ang kakayahang umangkop at magpabago sa labas ng mga paunang natukoy na mga pattern – ay kinikilala bilang isang mahalagang bahagi ng katalinuhan, ngunit nananatiling hindi gaanong na-address ng karamihan sa mga AI benchmarks.

Mula sa Chain-of-Thought patungo sa ReAct: Isang Bagong Paradigma

Upang lampasan ang mga limitasyong ito, ang komunidad ng pananaliksik sa AI ay nag-eeksplora ng mga paraan upang gawing mas kahalintulad ng tao ang pag-iisip at pagkilos ng mga modelo. Isang tagumpay ang ReAct paradigm, na ipinakilala ni Shunyu Yao at mga kasama noong 2022. Ang ReAct ay nangangahulugang "Reason+Act," isang balangkas na nag-iintertwine sa panloob na proseso ng pag-iisip ng modelo sa mga panlabas na aksyon. Sa halip na lumikha lamang ng sagot mula sa static memory o magpatupad lamang ng mga aksyon nang walang pagkilala, ang isang ReAct agent ay gumagawa ng pareho – ito ay nag-iisip sa pamamagitan ng isang problema at nakikipag-ugnayan sa mga kasangkapan o kapaligiran sa isang loop. Ang ganitong magkakasamang paraan ay nagpapahintulot sa AI na kumuha ng bagong impormasyon at ayusin ang plano nito sa lugar. Ipinakita nina Yao at mga kasamahan na ang ReAct na pamamaraan ay sistematikong mas mahusay kaysa sa mga pamamaraan na umaasa lamang sa chain-of-thought reasoning o sa aksyon lamang. Sa pamamagitan ng mahigpit na pagsasama ng pag-iisip at aksyon, ang modelo ay gumagawa ng mas kahawig ng tao na mga trajectory sa paglutas ng gawain, na nagpapabuti sa interpretabilidad at pagiging epektibo nito.

API ng Macaron – Isang Personal na Layer ng Fine-Tuning sa Itaas ng mga AI Model

Ang platform ng Macaron ay maaaring isipin bilang isang personal na layer ng fine-tuning na itinayo sa ibabaw ng pinakamahuhusay na foundation model. Sa halip na bumuo ng isang malakihang AI mula sa simula, ginagamit ng Macaron ang kaalaman at kahusayan sa wika ng mga umiiral na malalaking model at iniangkop ito para sa iyo. Ang sistema ay gumagamit ng alinmang modelo o kombinasyon ng mga modelo na pinakamainam para sa isang partikular na gawain, pagkatapos ay pinipino ang ugali nito batay sa iyong indibidwal na mga pattern ng paggamit.

Sa praktika, gumaganap ang Macaron bilang isang matalinong orchestration layer: patuloy itong natututo mula sa iyong mga interaksyon at kagustuhan, ina-update kung paano ito tumutugon upang mas mahusay na mapaglingkuran ka. Maaaring ihambing ito sa pagkakaroon ng iyong sariling bersyon ng GPT na unti-unting natututo ng iyong istilo, sa halip na isang modelong pareho para sa lahat. Sa ilalim ng takip, gumagamit ang Macaron ng isang in-house reinforcement learning platform upang makamit ang adaptibong fine-tuning sa malaking sukat. Sa pamamagitan ng reinforcement learning, lalo na pagkatapos ng paunang pre-training ng modelo, ang AI ng Macaron ay sumasailalim sa post-training gamit ang tunay na feedback ng mga user at data – sa esensya, natututo sa pamamagitan ng karanasan sa isang ligtas at kontroladong paraan. Bilang resulta, ang AI ay nagbabago sa araw-araw na paggamit, nagiging mas naaangkop sa mga pangangailangan ng bawat user sa paglipas ng panahon.

Malalim na Memorya at Emosyonal na Katalinuhan

Isa pang haligi ng pamamaraan ng Macaron ay ang pokus nito sa malalim na memorya at emosyonal na katalinuhan. Hindi tulad ng mga generic na chatbot na nakakalimutang kunin ang konteksto o hindi makasagap ng tono, ang Macaron ay dinisenyo upang magkaroon ng masusing, pangmatagalang pag-unawa sa iyo 「tulad ng isang pinagkakatiwalaang kaibigan.」 Sa pamamagitan ng angkop na onboarding at tuloy-tuloy na pag-aaral, ito ay bumubuo ng malalim na memorya ng iyong mga kagustuhan, gawi, at maging mga emosyonal na senyales. Ito ay nagbibigay-daan sa Macaron na maghatid ng emosyonal na matalino, konteksto-aware na mga interaksyon na umaabot sa mga gumagamit sa isang personal na antas.

Halimbawa, kung madalas kang humihingi ng mga recipe kapag ikaw ay stressed, maaaring matutunan ni Macaron na magbigay ng banayad na paghimok kasabay ng mungkahi sa recipe. Maaari nitong tandaan na mas gusto mo ang mga vegetarian na pagkain o na minsan mong binanggit ang allergy. Ang mga personal na paghawak na ito – ang pag-unawa sa hindi lamang kung ano ang iyong hinihingi kundi pati na rin kung bakit mo ito hinihingi – ay nagpaparamdam sa karanasan na mas totoo at suportado. Maraming mga AI platform ang nahihirapan dito. Direktang tinutugunan ito ni Macaron sa pamamagitan ng pagbibigay ng prayoridad sa empatiya at konteksto sa proseso ng fine-tuning nito, na naglalayong maging isang kaibig-ibig na AI kasama kaysa malamig na software tool.

Adaptive Mini-App Generation on Demand

Ang Personal Fine-Tuning Layer ay umaangkop sa kagustuhan ng bawat user.

Isa sa mga pinaka-makabagong tampok ng Macaron – at isang pangunahing resulta ng kanyang personalisadong proseso ng fine-tuning – ay ang kakayahang lumikha ng "mini-apps" sa pangangailangan upang solusyonan ang iyong mga problema. Basta't hilingin mo kay Macaron ang tulong sa isang tunay na pangangailangan, at ito ay kusang mag-aayos ng solusyon nang hindi mo na kailangang kumilos. Halimbawa, kung sasabihin mo, "Kailangan ko ng tulong sa pag-aayos ng aking iskedyul ng pag-aaral," maaaring lumikha si Macaron ng isang course helper mini-app na angkop sa iyong syllabus. Kung nais mong subaybayan ang iyong mga pagkain, maaari itong gumawa ng magaan na cooking journal app. Lahat ng ito ay nagaganap agad-agad – walang mahabang mga cycle ng pag-develop o manual na prompt engineering na kinakailangan.

Ang kombinasyon ng Macaron ng pagkamalikhain, konteksto, at ang malawak na kaalaman ng foundation models ay nagpapagana nito. Ang tradisyunal na AI services o developer platforms ay maaaring mangailangan sa iyo na maghanap ng template o umarkila ng programmer para makagawa ng custom app. Sa kabaligtaran, ang Macaron ay kayang lumikha ng ganitong functionality ayon sa pangangailangan, salamat sa pinong pagkaintindi nito sa iyong intensyon. Ito ay malaki ang binabawas sa oras at pagsisikap na kailangan mula sa ideya hanggang sa pagsasagawa.

Benchmarking Creative Intelligence: Paano Nauuna si Macaron

Ipinakita ng pananaliksik tulad ng EscapeBench kung gaano kahirap ang malikhaing paglutas ng problema para sa AI. Ang EscapeBench ay isang benchmark ng mga text-based escape room games na pumipilit sa AI agent na mag-isip nang lampas sa karaniwan – halimbawa, gamit ang mga bagay sa di-pangkaraniwang paraan. Sa mga ganitong benchmark, nahihirapan ang mga stock language models: madalas silang natatali sa paggamit ng mga kagamitan sa halatang paraan lamang at hindi nakikita ang mga mapanlikhang solusyon. Dito nagiging kapansin-pansin ang disenyo ng Macaron. Sa pamamagitan ng pagsasama ng mga estratehiya ng pagtanaw sa hinaharap at pagninilay (katulad ng EscapeAgent na pamamaraan na ipinakilala para harapin ang mga hamon ng EscapeBench), nagagawa ng ahente ng Macaron na bumuo ng mga mapanlikhang hypothesis at subaybayan ang mga hindi pa nalulutas na layunin kapag humaharap sa masalimuot na gawain.

Salamat sa reinforcement learning-enhanced fine-tuning, patuloy na mapapabuti ng Macaron ang kanyang pagiging malikhain sa pamamagitan ng pagkatuto mula sa bawat pagtatangka. Kung ang isang partikular na landas ng solusyon ay nabigo, makakaya ng ahente ng Macaron na magmuni-muni at magbago, katulad ng isang tao. Sa paglipas ng panahon at libu-libong mga gumagamit, ito ay humahantong sa isang AI na mas maparaan at nababagay kumpara sa isang hindi natututo pagkatapos ng deployment.

Macaron vs. Iba Pang AI Platforms: Bakit Mas Personal ang Panalo sa Generic

Mas nagmamalasakit ang Macaron sa iyo kaysa sa ibang Al Agents

Ang AI landscape ngayon ay nag-aalok ng lahat mula sa open model hubs hanggang sa chatbot apps, ngunit ang natatanging user-centric fine-tuning ng Macaron ang nagpapalayo dito:

• Ang mga platform ng developer (hal. Hugging Face) ay nagbibigay ng access sa maraming modelo, ngunit nangangailangan ng kadalubhasaan para i-fine-tune o i-deploy. Inaalis ng Macaron ang hadlang na iyon sa pamamagitan ng paggawa ng mabibigat na gawain nang awtomatiko, na nagbibigay ng modelong parang ginawa para sa iyo.
• Ang mga chatbot ng tauhan (hal. Character.AI) ay hinahayaan ang mga gumagamit na makipag-chat sa mga persona, ngunit hindi talaga sila natututo o naaalala. Patuloy na umaangkop at nagpapanatili ng mahabang memorya ng konteksto ang Macaron, na lumilikha ng mas malalim at mas mayamang pag-uusap.
• Ang Lovable ay nakatuon sa mga demo at pre-set na mga showcase ngunit kulang sa kakayahang umangkop upang mabilis na makagawa ng mga mini-app para sa pang-araw-araw na pangangailangan ng consumer. Sa kaibahan, nagdadala ang Macaron ng tunay na gamit sa loob ng ilang minuto.

Ang Hinaharap ng AI: Ang Personal na Fine-Tuning ang Landas Pasulong

Habang nagiging mas kapable ang mga AI system, ang susunod na hangganan ay ang gawin silang tunay na personal at malalim na adaptable. Ipinapakita ng Macaron kung bakit nakatakda ang mga personal AI agent na maging kinabukasan. Sa pamamagitan ng pagiging mas user-oriented kumpara sa malalaking generic na modelo at mas dynamic kaysa sa mga static na chatbot, nagbibigay ito ng pinakamahusay sa parehong mundo: ang lakas ng top-tier AI models at ang adaptability ng isang personal na assistant.

Kahit sa pag-outperform sa iba sa mga creative benchmark o simpleng pag-save ng oras sa pamamagitan ng paggawa ng mini-apps sa loob ng ilang segundo, ipinapakita ng Macaron na kapag ang AI ay nagbibigay-pansin sa indibidwal, ang mga posibilidad ay walang hanggan. Ito ay isang paradigm shift patungo sa AI na hinulma para sa iyo – at ang Macaron ang nangunguna sa landas patungo sa panahon ng tunay na personal na AI agents.