ทีมงาน Chroma ร่วมกับ Sakana AI และ SHINE นำเสนอ hypernetworks ที่สร้างโมเดลเฉพาะงานแบบเรียลไทม์ ช่วยลดการแทรกแซงของมนุษย์ใน AI agents ได้ 30% โดยไม่สูญเสียความแม่นยำ หลักการแก้ปัญหาที่ใช้บ่อยอย่าง fine-tuning และ RAG มีข้อจำกัด เช่น catastrophic forgetting และ context rot แต่ hypernetworks ช่วยให้ AI agents ทำงานได้ดีขึ้นแม้ข้อมูลเพิ่มขึ้น พร้อมลดทรัพยากรระบบเมื่อเทียบกับวิธีเดิม การศึกษาของ Chroma พบว่า hypernetworks ช่วยให้ AI agents ทำงานได้ต่อเนื่องโดยไม่ต้องพึ่งมนุษย์บ่อย ขณะที่ Sakana AI ใช้เทคนิคนี้ปรับปรุงการจัดการข้อมูลขนาดใหญ่ ทั้งสองวิธีนี้จึงเป็นทางเลือกที่มีประสิทธิภาพสูงกว่าการ fine-tuning หรือการเรียนรู้ในบริบท (in-context learning) ที่เคยใช้ก่อนหน้านี้
อ่านต้นฉบับventurebeat.com/orchestration/fine-tuning-forgets-rag-leaks-context-hypernetworks-build-the-model-your-agent-needs-on-demand
AIhypernetworksChromaSakana AIcontext rotfine-tuning
สรุปด้วย MAF Local AI · เนื้อหาต้นฉบับเป็นของแหล่งข่าว