Carta interessante da Meta. E un'altra eccellente applicazione dei sistemi multi-agente. (aggiungilo ai segnalibri) L'addestramento dei modelli AI moderni richiede enormi quantità di dati di alta qualità. Tuttavia, il collo di bottiglia non è solo la quantità. I dati non sono abbastanza diversificati. I modelli singoli che generano dati sintetici tendono a produrre output omogenei, ripetendo schemi e mancando della varietà sfumata presente nei dataset creati dagli esseri umani. Questa nuova ricerca di Meta introduce Matrix, un framework peer-to-peer in cui più agenti AI generano collaborativamente dati di addestramento sintetici attraverso interazioni decentralizzate. Matrix raggiunge un throughput di generazione dati 2–15× superiore con le stesse risorse hardware, senza compromettere la qualità dell'output. TL;DR: Invece di un modello che produce dati, agenti specializzati svolgono ruoli distinti e interagiscono tra loro. Uno fa domande, un altro risponde, un terzo valuta la qualità. Queste conversazioni multi-turno catturano ragionamenti complessi e prospettive diverse. Cosa rende Matrix diverso: nessun coordinatore centrale. Gli agenti comunicano direttamente in un'architettura completamente decentralizzata. Questo consente scalabilità senza collo di bottiglia infrastrutturali. Il framework opera attraverso protocolli di conversazione basati sui ruoli, schemi di interazione multi-turno e filtraggio della qualità integrato in ogni fase. Solo i dati che soddisfano le soglie di qualità entrano nel set finale di addestramento. La collaborazione multi-agente produce dati sintetici più diversificati rispetto agli approcci a modello singolo. I dataset risultanti migliorano le prestazioni del modello downstream su benchmark di ragionamento e di seguimento delle istruzioni.