қолданбалы нәтиже · ашық репозиторий
swiftclf-tuna: ассистенттерді маршруттауға арналған екі тілді иерархиялық intent-жіктеу
Пайдаланушының бір хабарламасы бойынша модель сұрау түрін анықтап, маршрут таңдайды: retrieval, генерация, құралдар, агенттің орындауы, нақтылау немесе fallback. Таксономия — жоғарғы деңгейдің 4 класы және екінші деңгейдің 22 класы. Fallback-тармағы және risk-aware метрикалары бар selective prediction.
Әдістеме. AI-orchestrated research: міндетті қою, таксономия мен бағалау критерийлерінің дизайны, автономды LLM-agent workflow-ын бағыттау және нәтижелерді human-in-the-loop валидациялау — негізін қалаушы; іске асыруды, эксперименттер мен құжаттаманы қарсы шолуы бар агенттік workflow орындады.
2 625holdout-жинақтағы мысал
85,14 %coverage
87,07 %accepted accuracy
80,88 %top-1 accuracy
0,061expected calibration error
77 мсбір CPU-ядродағы p95, 278M параметр
Метрикалар — модельді holdout-жинақта бағалау туралы ағымдағы ішкі есеп бойынша; жоба SOTA немесе академиялық жарияланым ретінде ұсынылмайды. Артефактілерге model cards, оқыту және бағалау pipeline-ы, есептер кіреді.
github.com/ascorblack/swiftclf-tuna-research
архитектуралық жазбаProtocore: агенттерге арналған protocol-first runtime және қабаттар шекаралары
Типтелген контрактілері, hooks және орындау стратегиялары бар ядро қалай құрылған, неліктен ядро enterprise-, frontend- және deploy-қабаттардан ештеңе импорттамайды және бұл CI-да қалай тексеріледі. Ашық ядро: protocore-community; жария бет: protocore.anchorinference.com.
жария зерттеу материалдарыАгенттің құрылымынан — нәтижені тексеруге
Агенттік жад, тапсырмаларды аяқтау және артефактілерді бағалау туралы үш жұмыс жарияланды. Бұл — нақты әдістер мен конфигурацияларды зерттеу; олар кез келген жүйеде дәл сондай әсер беруге уәде бермейді.
Мақалалар, әдістер және шектеулер ↓