エージェントのための合成タスク生成のスケーリング：探索によるアプローチ
本文の状態
日本語全文を表示中
詳細モードで約1分の本文を読めます。
同じ出来事の情報源
この情報源を基点に整理
Apple Machine Learning
研究者らが、マルチモーダル大規模言語モデル（MLLM）のポストトレーニングにおける課題として、多様で実行可能な高品質なタスクデータセットの不足を指摘し、探索ベースの合成タスク生成手法を提案している。
Source Article
元記事を日本語で読む
本文に関係しない購読案内、埋め込み通知、サイト内プロモーションは除いています。
インタラクティブエージェントを構築するために事後トレーニングされた多言語大規模言語モデル（MLLM）は、コンピューター操作、ウェブナビゲーション、ロボティクスなどの分野で有望な可能性を秘めています。このような事後トレーニングのスケーリングにおける重要な課題は、多様性があり、実現可能であり、検証可能なタスクを持つ高品質な下流エージェント用タスクデータセットの不足です。既存のタスク生成アプローチは、人間の注釈に依存するか、限られた下流環境情報で MLLM にプロンプトを与えることに大きく依存しており、いずれもコストがかかるか、カバー範囲が限られたタスクを生成するためスケーラビリティが低いという問題があります。これを解決するために、私たちは AutoPlay を提示します。これはスケーラブルな…
原文を表示
Post-Training Multimodal Large Language Models (MLLMs) to build interactive agents holds promise across domains such as computer-use, web navigation, and robotics. A key challenge in scaling such post-training is lack of high-quality downstream agentic task datasets with tasks that are diverse, feasible, and verifiable. Existing approaches for task generation rely heavily on human annotation or prompting MLLM with limited downstream environment information, which is either costly or poorly scalable as it yield tasks with limited coverage. To remedy this, we present AutoPlay, a scalable…
関連記事
今日のまとめ
AIデイリーブリーフで今日の重要ニュースをまとめ読み