Brain: Bilgi Vikisi Olarak Aracısal Bellek

Bilgisayar kullanıcıları aylarca ve yüzlerce oturum süren çalışmalar yapar. Onuncu oturuma gelindiğinde sistem, birincisinden çok daha üretken olmalıdır. Kullanıcı, tercihleri ve halihazırda yapılmış olan çalışmalar hakkında bağlam biriktirmelidir.

Örneğin, kullanıcının daha önce açıkladığı bir iş akışının diyagramını çizmesi istendiğinde Bilgisayar, ayrıntıları hatırlamalı ve kullanıcının tercih ettiği stilde bir şekil oluşturmak ve çıkarmak için bunları kullanmalıdır. Kullanıcı iş akışının ayrıntılarını yeniden açıklamak veya PDF'yi PNG yapıtlarına tercih ettiğini yinelemek zorunda kalmamalıdır; sistem bu bağlamı geçmiş oturumlardan doğru bir şekilde kurtarabilmeli ve otomatik olarak uygulamalıdır.

Bellek, sürekli aracı iyileştirmenin temelidir. Etkili bir bellek sistemi yapılandırılmış, izlenebilir ve uyarlanabilir olmalı, aracıların her görev için doğru genişlikte ve derinlikte arama yapmasını sağlarken her kararı en güncel bilgide temellendirmesini sağlamalıdır.

Giriş

Aracılara ilgili bağlamı aşılamak çok yönlü bir sorundur. İlk olarak, aracıların neyin var olduğunu ve buna nasıl erişileceğini bilmesi gerekir. İkinci olarak, yararlı bir bilgi parçası bulduklarında, bunun eksiksiz, doğru ve güncel olduğundan emin olmaları gerekir. Aracı ilgili bilgileri bulamadığı, güvenilir bir kaynaktan geldiğini doğrulayamadığı ve daha güncel bir gözlemle güncellenmesi gerekmediğinden emin olamadığı sürece, izole edilmiş bir gerçeğin değeri sınırlıdır.

Statik bellek dosyalarını doğrudan model bağlamına doldurmak aracıların erişilebilirliğini en üst düzeye çıkarır, ancak klasik bir hassasiyet-geri çağırma ödünleşimi sunar. Çok fazla bilgi, aracının bağlam penceresini giderek daha az öneme sahip öğelerle doldururken, çok az bilgi ilgili bağlam eksikliği nedeniyle yanıt kalitesini düşürür. Buna karşılık, harici veritabanlarına talep üzerine erişim daha esnektir, ancak gezinme yükünü aracıya kaydırır. Vektör veritabanları genellikle bağlantısız parçaları depolar ve grafik veritabanları aracıların nasıl etkili bir şekilde sorgu yapacağını bilmesini gerektirir.

Son zamanlarda, Brain'i tanıttık, bu Bilgisayar'ın her iki dünyanın da en iyisini sunan bellek sisteminin çekirdek bileşenidir. Brain, statik bellek dosyalarının ve kanıtların üzerine oturan yapılandırılmış bir bilgi vikisidir. Alıntılar iddiaları kaynaklarına bağlar ve ilgili bilgi parçaları yanal olarak bağlanır. Organize viki, talep üzerine bağlamı gezilebilir hale getirirken, ayrıntılı yapıtlar altındaki katmanda tutulur.

Brain, üç temel bileşene sahip kapsamlı bir bellek sistemine bağlanır: dayanıklı bellek depolama, sorguları yanıtlamak için belleği kullanan ön plan aracıları ve belleği güncelleyen ve iyileştiren arka plan aracıları. Aşağıdaki şekil, Brain'in genel sistem mimarisi içinde yer alan bu bileşenleri tasvir eder.

Bu makalede, Brain'in belleği nasıl organize ettiğini, aracıların onu nasıl kullandığını ve arka plan süreçlerinin onu nasıl güncel tuttuğunu açıklayarak her katmanı derinlemesine açıklıyoruz. Ayrıca, Brain'in tasarımını doğrulayan, daha düşük maliyetle aracı performansını iyileştirdiğini gösteren dahili değerlendirmelerden elde edilen sonuçları sunuyoruz.

Bellek Organizasyonu ve Depolama

Belleğin, her bağlam parçasını istemin içine girmeye zorlamadan kullanıcının tüm geçmişine ölçeklenen bir temsile ihtiyacı vardır. Bilgisayar'ın bellek sistemi kalıcı bağlamı bir dosya sistemi olarak temsil eder. Brain, ilgili konuları bağlayarak ve iddiaları bunları destekleyen oturumlar ve dosyalara bağlayarak ham kaynaklar arasında bilgi sentezler. Aşağıda ayrıntıları verilen bu yapı, belleği aracılar için özellikle uygun bir biçimde düzenlememize olanak tanır.

Dosya Sistemi Tabanlı Bellek

Bilgisayar oturumları zaten bir dosya sistemi, bir kabuk ve G/Ç yardımcı programlarıyla birlikte korumalı alanda yaşar. Brain'i tasarlarken, model ile aracı belleği arasındaki arayüze olabildiğince az yeni mekanizma dahil etmek istedik. Bu nedenle Brain'i dosya sistemi yerel bir bağlam katmanının üzerine inşa ettik. Bellek, korumalı alandaki memory/ dizini altında dosyalar olarak somutlaştırılır ve aracı, diğer her şeyde kullandığı aynı araçları bellek dosyalarında da basitçe kullanır.

Bellek ağacının kökünde, bağlamı değişen soyutlama düzeylerinde koruyan üç üst düzey dizin bulunur. knowledge/, Brain'in kendisidir; varlıkları, kavramları, aktif projeleri ve geçmiş öğrenmeleri birbirine bağlayan sentezlenmiş bir bilgi viki'sidir; notes/ konusal klasörler olarak düzenlenmiş damıtılmış parçacıklar içerir ve sessions/ ham geçmişler olarak dizinleri, özetleri ve tam transkriptleri barındırır. Aşağıdaki şekil yerleşimin basitleştirilmiş bir görünümünü gösterir.

Yüzeyler kasıtlı olarak yedeklidir. Basit, tek adımlı sorular için, anahtar kelime için /notes içinde parçacık aramak genellikle yeterliyken, /knowledge katmanı hafta veya aylarca süren Bilgisayar oturumları boyunca kanıtları birleştirmeyi gerektiren sorular için en yararlı olanıdır.

Brain: Bilgi Vikisi

Brain, bir bağlantılı Markdown dosyaları sistemi olan bir LLM vikisi olarak biçimlendirilmiştir. Bu hafif yapılandırılmış Markdown biçimi, aracıların mevcut kayıtların neler olduğunu, nasıl ilişki kurduklarını ve bunları nerede bulacaklarını kolayca anlayabilmeleri için mevcut bağlamın bütünsel bir görünümünü sağlar. Her sayfa, bir konunun bakımlı bir görünümüdür; bağlantılar yoluyla daha fazla keşfi kolaylaştırırken tek başına okunduğunda yararlı kalmalıdır.

Bağlantılar iki türdedir. [[wikilinks]] bağlam kenarlarıdır. Sayfaları yanal olarak bağlarlar; bir proje sahibine, müşterisine veya bağlı olduğu kavramlara bağlantı verebilir. Bunları takip etmek "başka ne bilmem gerekiyor?" sorusunu yanıtlar. [cite:N] referansları kanıt kenarlarıdır. İddiaları bunları destekleyen ham oturumlara veya bağlayıcı kaynaklarına doğru aşağı yönlü bağlarlar. Bunları takip etmek "bunun doğru olduğunu nasıl biliyorum?" sorusunu yanıtlar.

Aşağıdaki şekiller, sentetik bir kişilik olan erişilebilirlik araştırmacısı Nadia için Brain'in bir kısmının nasıl görüneceğini göstermektedir. Brain'i örnek bir proje, Japonya'da evrensel bir tasarım sprinti hakkında oturumlardan ve bağlayıcılardan bilgi sentezleyen bir sayfa içerir. Grafik görünümü, sayfada bulunan bağlam ve kanıt kenarlarının ilgili varlıkları ve kaynakları nasıl bağladığını gösterir.

Brain, sürekli evrilen yapısını desteklemek amacıyla sürüm geçmişini korumak için Git desteklidir. Sayfalar zaman içinde düzenlenebilirken, değişiklik günlükleri temel güncellemeleri kaydeder ve aracıların geçmiş sürümleri ve farkları kolayca incelemesine olanak tanır. Bu aynı zamanda, birden fazla aracı aynı anda Brain'i kullanıyor ve güncelliyor olabileceğinden kritik önem taşıyan aracısal koordinasyonu destekler.

Brain'i Kullanmak

Bir kullanıcı sorgusunu yanıtlarken aracılar, doğru bağlamı doğru ayrıntı düzeyinde bulabilmelidir. Brain'in yapısı aracıların belleği keşfetmesini kolaylaştırır. Aracılar, ilgili bilgileri bulmak için bağlam bağlantılarını takip etmek, iddiaları doğrulamak için kanıt bağlantılarını takip etmek veya ek bağlam elde edip sentezlemek için bir alt aracı çağrı etmek gibi eyleme geçirilebilir adımlar arasından seçim yapabilir. Aracısal keşif sürecini, aracıların ilgili bilgilere erişim kolaylığını en üst düzeye çıkarmayı amaçlayan bir dizi yolla yönlendiriyoruz.

Keşif Stratejisi

İlk kullanıcı mesajına Brain'in kompakt bir dizinini dahil ediyoruz, böylece aracı halihazırda neyin var olduğuna dair çalışan bilgiyle başlar. Aracı daha sonra tanıdık işlemlerle Brain ile etkileşime girer: dizin tarafından başvurulan belirli öğeleri okumak, sayfalar arasında arama yapmak için grep kullanmak, bağlantıları takip etmek ve alıntıları incelemek, Git revizyonlarını karşılaştırmak ve oturumlara veya ham yörüngelere inmek. Aşağıdaki kod bloğu sentetik bir kişilik için örnek komutları tasvir eder.

Aracılar sabit bir ardışık düzen yerine kendi kendine yönlendirilen bir döngü aracılığıyla bu bağlamı keşfeder. Bu nedenle aracı, bulunan bağlamdan memnun olana kadar aramaya devam edebilir. Aracı ayrıca ayrıntıları bulmak veya doğrulamak için alıntıları ve kanıtları ne zaman inceleyeceğini de seçebilir. Küçük bir tercih meselesi doğrudan tek bir Brain sayfasından benimsenirken, önemli bir karar veya kaynaklar arasındaki bir çelişki alıntıyı takip etmeyi ve orijinal kaydı okumayı haklı çıkarabilir. Grafik tabanlı yapı, aracının ilgili bilgileri amansızca aramak yerine somut sonraki adımlar arasında seçim yapmasını sağlar.

Dosya Somutlaştırma

Aracısal keşfin çalışması için aracının korumalı alan dosya sistemi aracılığıyla memory/ ağacının tamamına erişmesi gerekir. Bir korumalı alan her başlatıldığında tüm ağacı yerel olarak kopyalamak pahalıdır ve gereksizdir, çünkü aracı bu dosyaların çok büyük bir kısmına dokunmayacaktır. Başka bir seçenek de uzak bir dosya sistemi kullanmaktır, böylece aracılar yerel olarak kopyalamadan herhangi bir dosyaya erişebilir. Ancak aracılar genellikle tek bir komutta binlerce dosya sistemi işlemi gerçekleştirir; her biri bir ağ isteği haline gelirse, gidiş-dönüş maliyeti keşif döngüsüne hakim olmaya başlar. Dahili testlerde, uzak FUSE destekli bir yol üzerindeki basit grep iş yükleri, yerel dosyalar üzerindeki eşdeğer işlemlerden yaklaşık 400 ila 500 kat daha yavaştı.

Bunun yerine, daha büyük derlem bir bellek alım sisteminin arkasında kalırken, somutlaştırılmış dosyalardan oluşan yerel bir çalışma kümesi oluşturuyoruz. Bilgisayar önyükleme yaparken korumalı alana (son belleklerden, oturumlardan, özetlerden ve mevcut bilgiden alınan) bir başlangıç haritası ön yükler. Bilgisayar aracıları, anlamsal arama gerçekleştirebilen ve yeni bir dosya kümesi yükleyebilen bir alt aracı olan Bellek Aracısı'na erişebilir. Gerekli bağlam eksik olduğunda Bilgisayar, gerekli bilginin açıklamasıyla birlikte Bellek Aracısı'nı çağırabilir. Bellek Aracısı dosyalar arasında arama yaparak anında metin sentezi döndürür ve destekleyici kayıtları bellek ağacı altında dosyalar olarak somutlaştırır. Bu şekilde çalışma kümesi, halihazırda mevcut olan kanıtlar için kararlı yolları ve kaynak ilişkilerini koruyarak zaman içinde doğal ve kademeli olarak genişler.

Bu tasarım, gecikme darboğazını temiz bir şekilde çözer. İlgili dosyaları yerel olarak depolamak, keşif için gereken dosya sistemi işlemlerinin hızlı kalmasını sağlar ve toplu alım, her dosya için ayrı çağrılar gerektirmeden veya çok sayıda ilgisiz dosya yüklemeden somutlaştırılmış dosyaların havuzunun büyümesine izin verir. İç içe geçmiş aracı tasarımı ayrıca Bilgisayar'a, ana aracının her seferinde tam arka uç derlemini doğrudan aramasını gerektirmeden aracısal alımın faydalarını sağlar ve en yüksek değerdeki bilgi için kendi bağlam penceresini korur.

Brain'i Sürdürmek

Kullanıcılar yaptıkları çalışmalardan ve yaptıkları konuşmalardan sürekli olarak öğrenmektedir, bu nedenle aracısal belleğin de aynı şeyi yapması gerekir. Brain'in yararlı kalmaya devam etmesi için en önemli bilginin özlü bir temsili olmalıdır. Önemli yeni varlıklar için yeni sayfalar oluşturulmalı, ilgili Brain sayfalarına yeni bilgiler eklenmeli ve güncelliğini yitirmiş bağlam mevsimsel olarak kaldırılmalıdır. Örneğin, bir kullanıcının işi değişirse Brain bu değişikliği yansıtmalıdır; kullanıcının yeni işini içermeli ve yeni sorumlulukları ve projeleriyle ilgili bilgilere öncelik vermelidir.

Brain, Dream adını verdiğimiz arka plan aracıları tarafından sürdürülür. Dream aracıları, yeni bilgileri Brain güncellemelerinde sentezleyerek dosya tabanlı bellek üzerinde çevrimdışı çalışır. Brain güncellemelerinin tutarlı ve doğru olmasını sağlamak için Dream'e özel koruma rayları ile birlikte bu görevi verimli bir şekilde yerine getirmek için Dream aracı اینکهlerinin kapsamını ve davranışını dikkatlice tanımladık.

Dream: Bellek İyileştirme için Arka Plan Aracıları

Dream aracıları, etkileşimli bir Bilgisayar oturumunun sahip olacağı aynı dosya sistemi ve salt okunur araçlara erişimi olan korumalı alanlarda çalışır, ancak tek hedefleri gelecekteki oturumlar için bağlamı geliştirmektir. Her çalıştırma, kullanıcının bağlamını sıfırdan yeniden oluşturmak yerine önceki çalıştırmalar tarafından üretilen Brain'den başlar. Ardından kendisini yönlendirmek için bu mevcut Brain'i kullanır ve gelecekteki çalıştırmaların kullanması için güncellenmiş bir Brain üretir.

Bir Dream aracı bir ortam alır ve tek bir istemde düzleştirilmiş sabit bir girdi almak yerine bunu nasıl keşfedeceğine karar verir. Dosya tabanlı bellekte gezinebilir, bir bilgi parçasını doğrulamak için onaylanmış salt okunur bağlayıcı araçlarını kullanabilir ve çalışmanın sınırlı kısımlarını Bellek Aracısı da dahil olmak üzere alt aracılara devredebilir. Dream aracının kapsamı ve sorumlulukları bir Skill olarak belirtilir.

Genel olarak bir Dream çalıştırması 4 aşamadan oluşur:

1. Yönlendir: Aracı sıralı bir yönlendirme prosedürünü tamamlar. Yetkili kapsamı, daimi talimatları, silme günlüğünü, ek girdileri ve durdurma koşullarını tanımlar.
2. Oturumları özetle: Son güncellemeden bu yana yeni olan (veya yeni turları olan) her oturum için aracı, oturumun kısa bir özetini yazar (veya günceller).
3. Öznelerine olgular ekle: Aracı, önemli olduğunu düşündüğü her gözlemi, tipik olarak bir viki sayfası olan uygun yuvasına ekler. Mevcut olduğunda kimliği doğrulanmış bağlayıcıları araştırır ve sorgular.
4. Bilgi viki'sini güncelle: Aracı bulgularına dayanarak viki'yi günceller. Dayanıklı konular için yeni sayfalar üretebilir, mevcut sentez değiştiğinde sayfaları gözden geçirebilir veya olgusal bir iddiayı destekleyen yeni bağlantılar veya alıntılar ekleyebilir. Ayrıca mevcut grafik zaten doğru olduğunda hiçbir değişiklik yapmamayı da seçebilir.

Brain'e yapılacak her türlü güncellemenin eksiksiz ve tutarlı olmasını sağlamak için aracılar önerilen durumu aşamalı bir çıktı ağacına yazar. Aracı gerekli gördüğü tüm güncellemeleri yapana kadar kalıcı hiçbir değişiklik yapılmaz. Bu kararları tek bir aracısal süreçte koordine etmek, grafiği ilişkisiz sayfalar olarak değil bir bütün olarak güncellemeyi mümkün kılar.

Her türlü değişiklik iki tür doğrulama kontrolünden geçmelidir. Deterministik doğrulama kontrolleri, sayfaların iyi biçimlendirilmiş olmasını ve gerekli ön madde ve alıntı biçimi gibi nesnel kriterleri karşılamasını sağlar. Anlamsal doğrulama kontrolleri, önerilen bir sentezin toplanan kanıtlar tarafından desteklendiğini ve grafiğin geri kalanıyla tutarlı kaldığını sağlar. Aracı başarıyla tamamlandıktan sonra, kontrollü bir senkronizasyon adımı aşamalı çıktıyı önceki durumla karşılaştırır ve değişiklikleri depoya uygular. Bir senkronizasyon adımı tamamlandığında, son düzenleme kümesi Git sürüm geçmişi aracılığıyla incelenebilir.

Brain'i Doğrulama

Faydalı bir bellek sistemi, ilgili kanıtları korumalı, gerektiğinde ortaya çıkarmalı ve aracının bu kanıtı doğru bir yanıta dönüştürmesine yardımcı olmalıdır. Bu nedenle Brain'i birden fazla düzeyde değerlendiriyoruz: kontrollü çevrimdışı çıkarma işlemleri, sürekli eşleştirilmiş yeniden oynatma ve rastgeleleştirilmiş üretim deneyleri.

Çevrimdışı Değerlendirmeler

Birincil çevrimdışı değerlendirmemiz, 44 sentetik kişiliğe ait 640 sorudan oluşan dahili bir veri seti kullanır. Kişilikler; kullanıcı gizliliğini korumak için hiçbir üretim sorgu metni içermezken, oturum temposu, tur sayısı, konu karışımı ve veri yoğunluğu açısından üretim türevli kalıpları yeniden üretir. Her hesap, bellek çıkarma, konuşma özetleri ve bilgi vikisinin Dream derlemesi dahil olmak üzere üretim bellek ardışık düzeni aracılığıyla doldurulur. Her soru için doğru yanıt, hesabın geçmişinde bulunan belirli bir kanıtla mekanik olarak ilişkilendirilmiştir.

Örneğin, daha önce tanıtılan erişilebilirlik araştırmacısı sentetik kişilik Nadia için veri seti şu soruyu içerir: "Kyoto ve Sendai'de hangi kuruluşlarla görüşüyorum?" Yanıt (Kyoto'da Sora City Lab ve Sendai'de Sapphir Mobility Coop) doğrudan ilgili Viki sayfasında görünür.

Derlenmiş bilgi vikisi etkinleştirilmiş ve devre dışı bırakılmış durumdaki aynı soruları ve hesapları karşılaştırıyoruz. Diğer bellek yüzeyleri her iki koşulda da kullanılabilir durumda kalır. Bu, belleği bellek olmamasıyla karşılaştırmak yerine Brain'in artımlı katkısını izole eder. Genel olarak Brain, yanıt doğruluğunu 0,600'den 0,661'e çıkararak %6,1 yüzde puanlık bir artış sağladı ve kanıt geri çağırmayı 0,573'ten 0,625'e çıkararak %5,2 yüzde puanlık bir artış sağladı. Etki en çok tercihler (%+10,2 pp), zamansal akıl yürütme (%+8,6 pp) ve önceki etkinliklerden ayrıntıları çıkarma (%+6,9 pp) ile ilgili sorular için geçerli oldu. Soruların %84'ünde aracı, doğrulanabilir bir şekilde altın kanıta bağlı bir kaynağa dokundu.

Ayrıca iki genel kıyaslamanın alt kümeleri üzerinde eşleştirilmiş Brain çıkarmaları çalıştırdık. LoCoMo'da vikinin kaldırılması, farklı modellerle yapılan üç çalıştırma üzerinden ortalama olarak yanıt doğruluğunu %4,6 yüzde puan azalttı. LongMemEval-S üzerinde istatistiksel olarak anlamlı bir değişiklik üretmedi. Bu sonuç, Brain'in amaçlanan rolüyle tutarlıdır. LongMemEval-S öncelikle, temel transkriptlerin yanıta yedekli bir yol sağladığı bireysel oturumlardan olguların kurtarılmasını test eder. LoCoMo, konuşmalar, konuşmacılar ve tarihler arasında dağılmış kanıtlara daha fazla vurgu yaparak viki sentezinin katkıda bulunması için daha fazla fırsat yaratır.

Genel olarak Brain etkinleştirildiğinde, üretim aracı LongMemEval-S'de 0,91 ve LoCoMo'da 0,83 yanıt doğruluğu elde etti. Bu deneyler kıyaslama alt kümeleri kullandığından kesin kıyaslama sonuçları değildir. Bununla birlikte, çıkarmalar, özellikle kanıtlar konuşmalar arasında entegre edilmelidir, viki'nin performansı artırdığına dair güçlü bir sinyal sağlar. Brain, optimize edilmiş, kıyaslamaya özel bir alım sisteminden ziyade Bilgisayar'ın bir parçası olduğundan, rekabet gücünün yalnızca üretim iş akışlarına daha yakından benzeyen görevlerle artacağına inanıyoruz.

Çevrimiçi Değerlendirmeler

Çevrimdışı veri setleri gerçek kullanıcı geçmişlerinin her özelliğini yakalayamaz, bu nedenle taze üretim türevli kohortlar üzerinde günlük bir eşleştirilmiş değerlendirme de çalıştırıyoruz. Aynı sabit sorular, Brain etkinleştirilmiş ve devre dışı bırakılmış eşleştirilmiş kullanıcı durumuna karşı yanıtlanır, ardından doğruluk, güncellik ve geri çağırma açısından değerlendirilir.

18 Haziran'da bildirilen ön sonuçlar, Brain'in yanıt doğruluğunu %25 ve geri çağırmayı %16 artırdığını gösterdi. Bu performans kazançları devam etmiştir; son 30 gün içinde Brain etkinleştirilmiş oturumlar her çalıştırmada ve değerlendirilen her boyutta kontrolü geride bıraktı. Mutlak terimlerle Bilgisayar kullanıcıları; doğrulukta 9,3 puan, güncellikte 8,0 puan ve geri çağırmada 8,9 puanlık iyileştirmeler elde etti. Brain etkinleştirilmiş yörüngeler ayrıca yaklaşık %15 daha az token kullandı, %10 daha ucuza mal oldu ve üretimi %10 daha hızlı tamamladı.

Sürekli İyileştirme

Kullanıcılara en iyi bellek deneyimini sunmak için Brain'i geliştirmeye devam ettik. Son zamanlardaki bir değişiklik, aracının bunu daha sonra keşfetmesini ve okumasını gerektirmek yerine Brain'in kompakt dizinini doğrudan aracının başlangıç bağlamına yerleştirir. Rastgeleleştirilmiş bir deneyde, bu ön doldurma uygulaması Brain kullanımını artırdı ve bellekle ilgili hoşnutsuzluğu %6,9 oranında azalttı.

Çevrimdışı değerlendirme donanımı aynı zamanda otonom bir iyileştirme ardışık düzeninin bir parçası olarak da ikiye katlanır. Brain'in bellek alt aracısı, alım becerileri ve istemlerinde önerilen değişiklikler, dahili veri setimiz ve genel kıyaslamalarımız üzerindeki eşleştirilmiş çıkarımlar aracılığıyla çalıştırılır. Bilgisayar aracıları sonuçlar üzerinde otonom olarak yineleme yapabilir, her yinelemenin değişimini, deltalarını ve maliyetini dayanıklı bir kayıt olarak koruyabilir ve yalnızca sayıları hareket ettiren değişiklikleri tutabilir. Sonuçta Brain'in değerlendiricilerinin aynı zamanda optimizatörleri olduğu, gelecekteki iyileştirmeleri yönlendiren bir sistem ortaya çıkar.

Sonuç

Sürekli öğrenme, hafta ve aylar boyunca çalışan aracı sistemleri inşa etmek için belirleyici zorluklardan biridir. Bellek mimarilerinin en iyi şekilde aracıların normal araç setlerini kullanarak doğrudan keşfedebileceği ortamlar olarak açığa çıkarıldığına inanıyoruz. Belleği, üstünde yapılandırılmış bir bilgi vikisi olarak Brain ile birlikte bir dosya sistemi olarak açığa çıkarmak, bağlamın basit ve tanıdık araçlar aracılığıyla verimli bir şekilde gezilebilir olmasını sağlar.

Brain, kullanım arttıkça bellek sisteminin daha da iyi gelişmeye devam edebilmesi için kendi kendini iyileştirecek şekilde tasarlanmıştır. Dream arka plan aracıları, ön plan aracıların her zaman en son bağlamın düzenli bir görünümüyle yeni bir oturum başlatmasını sağlayarak taze bilgileri Brain güncellemelerine damıtıklaştırır. Değerlendirme donanımı, çekirdek bellek mimarisi ve aracı odaklı arayüzler üzerindeki otomatik araştırma döngüleri için bir test alanı görevi de görür.

Şimdiden Brain, harcanan token'ları azaltırken daha doğru ve yüksek performanslı aracı oturumları ile sonuçlandı. Brain'i Bilgisayar'ın üretim yığınıyla dikkatli bir şekilde birlikte tasarlamamız, bu kazanımların doğrudan kullanıcılara gerçek faydalar olarak yansımasını sağlar.

Bilgisayar'ın belleğinin kalitesini artırmak için daha fazla yetenek geliştirmeye devam ediyoruz. Bu arada, Brain etkinleştirilmiş kullanıcılara sahip olanlar için bellek her oturumda gelişecektir.