Skvělý článek od Meta. A další vynikající využití multiagentních systémů. (ulož si to) Trénování moderních AI modelů vyžaduje obrovské množství vysoce kvalitních dat. Úzké hrdlo však není jen v množství. Data prostě nejsou dostatečně rozmanitá. Jednotlivé modely generující syntetická data mají tendenci produkovat homogenní výstupy, opakující se vzory a postrádají nuancovanou rozmanitost, kterou lze najít v lidsky vytvořených datových sadách. Tento nový výzkum od Meta představuje Matrix, peer-to-peer framework, kde více AI agentů společně generuje syntetická tréninková data prostřednictvím decentralizovaných interakcí. Matrix dosahuje vyšší propustnosti generování dat o 2–15× při stejných hardwarových zdrojích, aniž by se snížila kvalita výstupu. TL; DR: Místo toho, aby jeden model produkoval data, specializovaní agenti hrají odlišné role a vzájemně spolu interagují. Jeden klade otázky, druhý odpovídá, třetí hodnotí kvalitu. Tyto vícestupňové rozhovory zachycují složité uvažování a rozmanité pohledy. Co dělá Matrix odlišným: žádný centrální koordinátor. Agenti komunikují přímo v plně decentralizované architektuře. To umožňuje škálovatelnost bez úzkých míst infrastruktury. Rámec funguje na základě konverzačních protokolů založených na rolích, vícestupňových interakčních vzorů a vestavěného kvalitního filtrování v každé fázi. Do finální trénovací sady se dostanou pouze data splňující kvalitativní prahy. Spolupráce více agentů produkuje rozmanitější syntetická data než přístupy založené na jednom modelu. Výsledné datové sady zlepšují výkon downstream modelů napříč benchmarky uvažování a sledování instrukcí.