NOVÝ výzkum od Meta Superintelligence Labs. Používá chytrý rámec strategické aukce ke zlepšení sebezdokonalujících agentů u složitých úkolů. Malí agenti nejsou vždy dostateční. U nejjednodušších úkolů dosahuje agent s parametry 4B 87 % výkonu agenta s parametrem 32B. Ale u nejsložitějších úkolů tento relativní výkon klesne na pouhých 21 %. Výchozí předpoklad dnes je, že buď použijete největší model pro všechno, nebo úkoly směrujete s trénovaným klasifikátorem. Trénované směrovače se však zhoršují s rostoucí obtížností úkolů a neprediktivní kaskády se stávají pro agentické pracovní zátěže neúnosně drahými. Tento nový výzkum představuje SALE (Strategy Auctions for Workload Efficiency), rámec inspirovaný tržišti freelancerů. Místo předpovědi, který model použít pouze na základě popisu úkolu, agenti nabízejí krátké strategické plány, které jsou hodnoceny systematickým mechanismem nákladů a hodnot. Jak aukce funguje? Každý kandidát na agenta navrhuje strategický plán řešení. Peer porota hodnotí plány podle předpokládané hodnoty. Heuristický prediktor nákladů odhaduje náklady na realizaci. Makléř s nejlepším poměrem cena/hodnota vyhrává a realizuje svůj plán. Mechanismus sebezdokonalování je to, co začíná být zajímavé. Po každé aukci jsou všechny navrhované strategie uloženy ve sdílené paměťové bance. Levnější makléři, kteří prohráli, se mohou učit z vítězných strategií a podávat vylepšené nabídky, podobně jako freelanceři, kteří si postupně zvyšují kvalifikaci. U úkolů s hlubokým vyhledáváním SALE překoná pass@1 nejlepšího jednotlivého agenta o 3,5 bodu a snižuje náklady o 35 %. U programovacích úkolů to zlepšuje pass@1 o 2,7 bodu při 25 % nižších nákladech. Napříč obou doménami SALE snižuje závislost na největším agentovi o 53 %. Stávající routery jako WTP a FrugalGPT buď zaostávají za největším agentem, nebo nedokážou snížit náklady. Náklady FrugalGPT ve skutečnosti rostou u složitých programovacích úkolů, dosahují 0,61 dolaru za milion tokenů oproti 0,36 dolaru u nejlepšího agenta. Koordinační mechanismy inspirované trhem, které organizují heterogenní agenty do adaptivních ekosystémů, mohou systematicky překonat jak jednotlivé velké modely, tak trénované směrovací přístupy. Článek: Naučte se vytvářet efektivní AI agenty v naší akademii: