सकाना एआय ओपन-सोर्स अल्गोरिदम रिलीझ करते जे एकाधिक एआय मॉडेलला जटिल कार्यांवर सहयोग करू देते

साकाना एआयने मंगळवारी ओपन-सोर्स अल्गोरिदम सोडला, ज्यामुळे एकाधिक कृत्रिम बुद्धिमत्ता (एआय) मॉडेल्सला जटिल समस्यांवर सहयोग करण्याची परवानगी मिळते. डब अ‍ॅडॉप्टिव्ह ब्रांचिंग मॉन्टे कार्लो ट्री सर्च (एबी-एमसीटी), हे एक अनुमान-वेळ स्केलिंग किंवा चाचणी-वेळ स्केलिंग अल्गोरिदम आहे जे एआय मॉडेल्सच्या विद्यमान फ्रेमवर्कमध्ये तिसरा आयाम जोडते. यासह, जेव्हा एखाद्या नवीन समस्येचा सामना करावा लागतो तेव्हा सिस्टम केवळ दीर्घ तर्क योग्य किंवा विस्तृत शोध आहे तरच निर्णय घेते, परंतु कोणत्या एआय मॉडेलच्या कार्यासाठी सर्वात योग्य आहे हे देखील ठरवते. जर समस्या खूप जटिल असेल तर ती एकाधिक एआय मॉडेल्स देखील तैनात करू शकते.

साकाना एआय अल्गोरिदम रिलीझ करते जे एआय मॉडेल एकत्रितपणे विचार करते

मध्ये मध्ये पोस्ट एक्स वर (पूर्वी ट्विटर म्हणून ओळखले जाते), टोकियो-आधारित एआय फर्मने हायलाइट केले की त्याचे नवीन अनुमान-वेळ स्केलिंग अल्गोरिदम जेमिनी 2.5 प्रो, ओ 4-मिनी आणि डीपसीक-आर 1 सारख्या फ्रंटियर मॉडेल्सला सहयोग करण्यासाठी एआयसाठी सामूहिक बुद्धिमत्तेसाठी वातावरण तयार करते.

एआय डोमेनमधील एक जटिल समस्या सोडविण्यासाठी कंपनीने तयार केले – अद्वितीय सामर्थ्य कसे एकत्र करावे आणि उच्च कार्यक्षमता साध्य करण्यासाठी एआय मॉडेल्सचे अद्वितीय पक्षपाती कसे दूर करावे. सकाना एआय अनेक वर्षांपासून या समस्येवर संशोधन करीत आहे आणि २०२24 मध्ये, “इव्होल्यूशनरी मॉडेल विलीनीकरण” वर एक पेपर प्रकाशित केला.

आता, त्याच्या निष्कर्षांवर आधारित, कंपनीने एक अल्गोरिदम जारी केला आहे ज्यामुळे एआय मॉडेल्स विशिष्ट बजेटवर चाचणी-वेळ मोजू देते, त्यांना भिन्न दृष्टीकोन शोधण्यासाठी एकाधिक आउटपुट तयार करू देते आणि उच्च कार्यक्षमता साध्य करण्यासाठी कार्य करण्यासाठी योग्य एकाधिक एआय मॉडेल्स देखील ठेवू देते.

या प्रकल्पावर काम करणारे संशोधक आर्क-एजी -2 बेंचमार्कवरील क्षमतेची चाचणी घेण्यास सक्षम होते, जिथे एबी-एमसीटीएस सिस्टमने ओ 4-मिनी, मिथुनि -2.5-प्रो आणि आर 1-0528 चे संयोजन वापरले आणि वैयक्तिक मॉडेलच्या कामगिरीला मागे टाकण्यास सक्षम होते. साकाना एआय हक्क सांगितला की ओ 4-मिनीने 23 टक्के समस्यांचे स्वतंत्रपणे निराकरण केले, जेव्हा ते एबी-एमसीटीएस क्लस्टरचा भाग होते तेव्हा ते 27.5 टक्के पोहोचले.

सकाना एआयने त्याच्या गीथबवर ट्रीक्वेस्ट अल्गोरिदम सोडला आहे सूची आणि त्याची आर्क-एजी देखील सामायिक केली आहे प्रयोग स्वतंत्रपणे. अभ्यासाचे तपशील आहेत प्रकाशित आर्क्सिव्हवरील एका पेपरमध्ये.