Red Queen Gödel Machine: спільна еволюція агентів та їх оцінювачів
Вчені запропонували фреймворк Red Queen Gödel Machine, де оцінювачі еволюціонують разом із цільовими агентами, щоб позбутися статичних бенчмарків при рекурсивному самовдосконаленні. Це підвищило прохідність бенчмарка Polyglot з 69,9% до 71,7% при зменшенні споживання токенів у 1,35–1,72 рази порівняно з Huxley-Gödel Machine.
ВердиктНейтральнаImpact 4/10
🔬 Цікаво для дослідників. Теоретична новина без готового продукту — для компаній до 200 людей тут нема дії: код не відкрито, модель не названа, інтеграція не описана.
Ключові тези
- Оцінювачі та агенти еволюціонують спільно, щоб уникнути статичних бенчмарків
- Прохідність бенчмарка Polyglot покращилася до 71,7% при економії токенів у 1,35–1,72 рази
- Точність перевірки доказасів досягла 76% при потрійній економії токенів
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундТакий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
GödelMachineco-evolutionAIagentsbenchmarkingtokenefficiency
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiupskill.live