Naukowcy opracowali metodę, która pozwala trenować mniejszych agentów AI zdolnych do autonomicznych badań, osiągając przy tym wydajność dużo większych modeli przy zaledwie 10 tysiącach publicznie dostępnych danych. To przełom dla tych, którzy chcą wdrażać zaawansowane systemy AI bezpośrednio na urządzeniach brzegowych, bez konieczności połączenia z chmurą czy ogromnych budżetów na szkolenie.
Metoda o nazwie DR-Venus to odpowiedź na rosnące zapotrzebowanie na kompaktowe rozwiązania AI, szczególnie w świecie, gdzie prywatność i niezależność od dużych serwerów stają się priorytetem. Zamiast polegać na miliardach parametrów i obliczeniach w chmurze, agenci mogą pracować lokalnie na smartfonach, tabletach czy specjalistycznych urządzeniach. Dotychczas stanowiło to problem - mniejsze modele traciły zdolności w porównaniu z gigantami pokroju GPT-4. Przełamanie tej bariery bez straty wydajności zmienia perspektywę dla całej branży.
Kluczem do sukcesu było wykorzystanie inteligentnego podejścia do wyboru i syntezy danych treningowych. Zamiast ślepo wczytywać wszystko dostępne w internecie, zespół skupił się na 10 tysiącach starannie wybranych, wysokiej jakości przykładów. To pokazuje, że w erze AI chodzi nie tylko o ilość danych, ale o ich strategiczne zastosowanie. Taki model otwarty i oszczędny w zasobach może być szczególnie wartościowy dla startupów, mniejszych firm i krajów z ograniczonymi możliwościami obliczeniowymi, które dotąd były poza zasięgiem zaawansowanych technologii AI.