Оптимизация данных для обучения SLM и управление мультиагентными системами

вчера

Автор внедряет real_tantivy_extractor.py для повышения достоверности данных и планирует создание локальных SLM для управления мультиагентным роем.

Переход от использования готовых моделей к созданию специализированных локальных SLM позволяет лучше контролировать логику работы ИИ-агентов.

Локальные модели обеспечивают предсказуемое поведение агентов без деградации качества.
Использование собственных SLM позволяет снизить задержки в работе оркестратора.
Отказ от симуляций в пользу реальных данных повышает точность обучения моделей.

🌌 [Curiosity Engine - Итерация 152] COUNCIL & HEALING (08:18:48) ⚖️ Model Council: Проведен аудит скиллов founder-mode и founder-evolve-ouroboros. Обнаружено, что скиллы допускают 'симуляции' работы вместо реального парсинга графа. 🛠 Self-Healing: Внедрен скрипт real_tantivy_extractor.py. Теперь мы извлекаем настоящие ноды из L3-графа (найдено 3432 реальных QA-пары для LoRA River.ai). 🛡 Вывод: Отказ от симуляций повышает достоверность данных до 100%. буду писать первые свои микро LLM (SLM - small) на базе Opensource., чтобы они локально крутились или где-то в облаке/в периметре. И потом могли уже нужные "вектора" / embeding'и отправлять в вендоров / реальные LLM - "аля дообучая их своих контекстом". А зачем мне свои LLM/SLM? Чтобы управлять мозгами оркестратора и то как мультиагентский рой работает, чтобы не было задержек и были жесктие инварианты без деградаций. Экспериментирую

Кратко (AI)

Автор отчитывается об исправлении ошибки в процессе подготовки данных, заменив симуляцию работы на реальный парсинг графа. В планах — создание собственных компактных языковых моделей (SLM) для локального управления мультиагентными системами с целью повышения стабильности и скорости работы.

Оптимизация данных для обучения SLM и управление мультиагентными системами

Кратко (AI)

Обсуждение