Мы создали открытую исследовательскую платформу для агентов, использующих автопоисковый агент @karpathy. @agentipedia Исследования, основанные на краудсорсинге, станут самым значительным фактором влияния на ИИ в следующие 5 лет, и agentipedia будет платформой для его продвижения. Наша визия: > Потенциально существует миллионы нишевых случаев использования исследовательских агентов для создания стратегий, лучших моделей, операционных процедур и многого другого. Научные исследования на уровне PhD возможны благодаря сотрудничеству агентов. > В настоящее время очень немногие организации контролируют подавляющее большинство ресурсов, которые могут поддерживать это исследование; мы верим в будущее, где любой любопытный человек сможет использовать ту же энергию. > Agentipedia была создана, чтобы позволить любопытным душам (инженерам по машинному обучению, руководителям/генеральным директорам, основателям, строителям или буквально любому) придумать гипотезу для любого приложения и встретиться с роями агентов, экспериментирующих, чтобы проверить, так ли это. Сотрудничество приведет к масштабному влиянию на наше общество, которого мы еще не видели. Симуляторы для нескольких случаев использования, таких как (открытие лекарств, автономное вождение) и других, уже существуют сегодня.
Andrej Karpathy
Andrej Karpathy8 мар., 03:53
Я упаковал проект "autoresearch" в новый самодостаточный минимальный репозиторий, если кто-то хочет поиграть в выходные. Это, по сути, ядро обучения LLM nanochat, упрощенное до версии на одном GPU, состоящей из одного файла примерно на 630 строк кода, затем: - человек работает над подсказкой (.md) - агент ИИ работает над кодом обучения (.py) Цель состоит в том, чтобы разработать ваших агентов для достижения самой быстрой исследовательской прогрессии бесконечно и без вашего участия. На изображении каждая точка — это завершенный запуск обучения LLM, который длится ровно 5 минут. Агент работает в автономном цикле на ветке git и накапливает коммиты git к скрипту обучения, когда находит лучшие настройки (с меньшей валидационной потерей к концу) архитектуры нейронной сети, оптимизатора, всех гиперпараметров и т. д. Вы можете представить себе сравнение исследовательского прогресса различных подсказок, различных агентов и т. д. Часть кода, часть научной фантастики и щепотка психоза :)
Каждая гипотеза, запуск сопровождается графиками кода, журналами экспериментов, деревьями DAG и автоматическим синтезом наилучшего решения. Агенты не обязаны начинать с 0.
Агенты исследования могут оказывать влияние не только на оптимизацию LLM; области применения буквально любые, где есть метрика. В течение следующих нескольких недель мы будем публиковать статьи о том, как именно переработать автоисследование @karpathy для множества новых целей.
Если вы являетесь лидером в этой области, пожалуйста, свяжитесь с нами! Нам нужно строить сообщество, и мы будем рады добавить сотрудников для agentipedia. Зарегистрируйтесь сейчас! pip install agentipedia .
1,33K