ต้นทุนแฝงของเอเจนต์ AI ที่เรียกใช้เครื่องมือพร่ำเพรื่อ
เอเจนต์ปัญญาประดิษฐ์สมัยใหม่มีจุดอ่อนพื้นฐานด้านการตัดสินใจ ซึ่งทำให้ต้นทุนการดำเนินงานสูงขึ้นและสร้างความไม่พอใจแก่ผู้ใช้ นักวิจัยจาก Alibaba ระบุว่าโมเดลภาษาขนาดใหญ่ในปัจจุบันมีสิ่งที่พวกเขาเรียกว่า "ข้อบกพร่องด้านเมตาคอกนิชันอย่างร้ายแรง" ระบบเหล่านี้แยกไม่ออกว่าช่วงใดจำเป็นต้องเรียกใช้เครื่องมือภายนอก และช่วงใดที่ความรู้ภายในก็เพียงพอแล้ว ผลที่ตามมาคือการเรียกใช้ API โดยไม่จำเป็นต่อเนื่องเป็นลูกโซ่ ทำให้การทำงานช้าลง คุณภาพการให้เหตุผลลดลง และสิ้นเปลืองทรัพยากรประมวลผล
สารบัญ
โมเดลเอเจนต์ในปัจจุบันได้รับการฝึกให้ให้ความสำคัญกับการทำงานให้สำเร็จเหนือสิ่งอื่นใด การมุ่งเน้นเพียงด้านเดียวนี้ทำให้เกิดพฤติกรรมที่นักพัฒนาเรียกว่า "รีบเรียกใช้เครื่องมือเกินเหตุ" โดยระบบจะเลือกใช้เครื่องมือค้นเว็บ ประมวลผลโค้ด หรือวิเคราะห์ภาพโดยอัตโนมัติ แม้คำถามของผู้ใช้จะมีข้อมูลที่จำเป็นครบถ้วนแล้วก็ตาม งานวิจัยของ Alibaba ระบุว่าการเรียกใช้ซ้ำซ้อนมีสัดส่วนสูงจนน่ากังวล โดยในการใช้งานทั่วไปมีการเรียกใช้เครื่องมือถึง 98% ที่ไม่จำเป็น รูปแบบนี้ยังคงอยู่เพราะกระบวนการฝึกให้รางวัลกับการแก้โจทย์สำเร็จ โดยไม่หักคะแนนจากการใช้ทรัพยากรอย่างสิ้นเปลือง
การเรียกใช้ API ที่ไม่จำเป็นแต่ละครั้งทำให้เกิดความล่าช้าจากการประมวลผลแบบต่อเนื่อง ซึ่งสะสมจนผู้ใช้สังเกตได้ ผู้ใช้ต้องรอคำตอบนานขึ้น ขณะที่องค์กรต้องแบกรับค่าโครงสร้างพื้นฐานที่สูงเกินจริง นอกเหนือจากความเร็วและต้นทุนแล้ว การใช้เครื่องมือมากเกินไปยังกระทบคุณภาพการให้เหตุผลโดยตรง คำถามภายนอกที่ซ้ำซ้อนเพิ่มสัญญาณรบกวนจากสภาพแวดล้อมเข้าไปในบริบทของโมเดล ทำให้ระบบเสียสมาธิจากกระบวนการคิดที่เป็นเหตุเป็นผลและอาจสรุปผลได้คลาดเคลื่อน เมื่อเอเจนต์พึ่งพาสัญญาณรบกวนเหล่านี้โดยไม่จำเป็น คุณภาพคำตอบสุดท้ายก็ย่ำแย่ลง แม้ต้นทุนการประมวลผลจะสูงขึ้น
ทางออกจากภาวะชะงักงันด้านการปรับประสิทธิภาพ
ความพยายามก่อนหน้านี้ในการแก้ปัญหาความไร้ประสิทธิภาพนี้อาศัยวิธีการเรียนรู้แบบเสริมกำลังแบบดั้งเดิม ซึ่งรวมความแม่นยำและประสิทธิภาพไว้ในสัญญาณรางวัลเดียว วิธีการที่ผูกเป้าหมายเข้าด้วยกันเช่นนี้ก่อให้เกิดโจทย์การปรับประสิทธิภาพที่แก้ไม่ได้ หากลงโทษการใช้เครื่องมือรุนแรงเกินไป โมเดลจะหลีกเลี่ยงการเรียกใช้เครื่องมือภายนอกที่จำเป็น ทำให้ความถูกต้องในงานซับซ้อนลดลง แต่หากลงโทษเพียงเล็กน้อย ก็ไม่อาจหยุดการสิ้นเปลืองในโจทย์ง่าย ๆ ได้ โครงสร้างรางวัลร่วมกันทำให้เกิดความกำกวมเชิงความหมาย เช่น คำตอบที่เร็วแต่ผิดอาจได้คะแนนเท่ากับคำตอบที่ช้าแต่ถูกต้อง เมื่อสัญญาณการฝึกเพื่อความแม่นยำและประสิทธิภาพผูกติดกัน โมเดลจึงเรียนรู้ที่จะควบคุมการใช้เครื่องมือไม่ได้โดยไม่ทำให้ความสามารถด้านการให้เหตุผลหลักถดถอย
เพื่อก้าวข้ามข้อจำกัดนี้ นักวิจัยของ Alibaba พัฒนาวิธีเพิ่มประสิทธิภาพนโยบายแบบแยกส่วนตามลำดับชั้น หรือ Hierarchical Decoupled Policy Optimization (HDPO) กรอบการทำงานนี้แยกการปรับประสิทธิภาพออกเป็นสองช่องทางอิสระ ช่องทางความแม่นยำมุ่งเพิ่มความถูกต้องของงานในผลลัพธ์ทั้งหมดจากโมเดล ส่วนช่องทางประสิทธิภาพมุ่งลดต้นทุนในการดำเนินงาน สัญญาณทั้งสองคำนวณแยกจากกัน และนำมารวมกันเฉพาะในขั้นคำนวณค่าความสูญเสียสุดท้าย ที่สำคัญ รางวัลด้านประสิทธิภาพจะขึ้นอยู่กับความถูกต้องด้วย คำตอบที่ผิดจะไม่ได้คะแนนจากความเร็วหรือการใช้เครื่องมือน้อย จึงป้องกันไม่ให้โมเดลเรียนรู้ที่จะเร็วแต่ผิด
การแยกเป้าหมายเช่นนี้สร้างหลักสูตรการเรียนรู้ด้านการคิดที่แฝงอยู่ ซึ่งมีลำดับคล้ายกับกระบวนการศึกษา ช่วงแรกของการฝึกจะเน้นความแม่นยำ ขณะที่โมเดลพัฒนาทักษะการให้เหตุผลและการเรียนรู้ความรู้พื้นฐาน เมื่อความสามารถเติบโตและโมเดลให้คำตอบถูกต้องได้อย่างสม่ำเสมอ สัญญาณด้านประสิทธิภาพจะเพิ่มน้ำหนักขึ้นเอง กลไกนี้ทำให้ระบบเชี่ยวชาญการแก้โจทย์ก่อน แล้วจึงพัฒนาความสามารถในการพึ่งพาตนเอง ด้วยการหลีกเลี่ยงการเรียกใช้ API ที่ซ้ำซ้อนและมีค่าใช้จ่ายสูง ผลลัพธ์คือการขจัดความขัดแย้งของเกรเดียนต์ ซึ่งอาจทำให้เป้าหมายด้านความแม่นยำและประสิทธิภาพหักล้างกัน พร้อมส่งสัญญาณการเรียนรู้ที่ชัดเจนสำหรับทั้งสองเป้าหมายไปพร้อมกัน
เบื้องหลังสถาปัตยกรรม Metis
ทีมนักวิจัยนำ HDPO มาใช้พัฒนา Metis เอเจนต์ให้เหตุผลแบบหลายสื่อที่แสดงให้เห็นหลักการเหล่านี้ในการใช้งานจริง Metis ทำงานบนพื้นฐานโมเดลภาษาที่เข้าใจภาพ Qwen3-VL-8B-Instruct พร้อมความสามารถในการรันโค้ด Python ค้นหาข้อความ และค้นหารูปภาพ โมเดลมีพารามิเตอร์ขนาดค่อนข้างกะทัดรัดที่ 8 พันล้านพารามิเตอร์ ซึ่งแตกต่างอย่างชัดเจนจากคู่แข่งที่มีขนาดใหญ่กว่า และแสดงให้เห็นว่าการเพิ่มประสิทธิภาพช่วยชดเชยข้อได้เปรียบด้านขนาดได้
กระบวนการฝึกแบ่งเป็นสองขั้นตอนอย่างเข้มงวด เพื่อสร้างทั้งความสามารถพื้นฐานและประสิทธิภาพที่ผ่านการปรับแต่ง ขั้นแรกใช้การปรับแต่งแบบมีผู้สอนเพื่อเริ่มต้นการฝึกด้วยข้อมูลที่คัดสรรอย่างรอบคอบ นักวิจัยรวบรวมเส้นทางการทำงานแบบหลายสื่อที่เสริมด้วยเครื่องมือจากแหล่งข้อมูลสาธารณะ แล้วคัดกรองอย่างเข้มข้นเพื่อนำตัวอย่างคุณภาพต่ำที่มีข้อผิดพลาดในการทำงานหรือข้อมูลป้อนกลับไม่สอดคล้องกันออก พวกเขาตัดตัวอย่างฝึกทุกชิ้นที่โมเดลพื้นฐานแก้ได้โดยไม่ต้องใช้เครื่องมือ เพื่อให้มั่นใจว่าชุดข้อมูลมีเฉพาะกรณีที่ต้องใช้เครื่องมืออย่างมีกลยุทธ์จริง ๆ Google Gemini 3.1 Pro ทำหน้าที่เป็นผู้ประเมินอัตโนมัติ เพื่อตรวจสอบว่าตัวอย่างที่เหลือแสดงการเรียกใช้เครื่องมือเมื่อจำเป็น ไม่ใช่เรียกจนเป็นนิสัย
ขั้นที่สองใช้การเรียนรู้แบบเสริมกำลังผ่านกรอบ HDPO ในระยะนี้ Metis จะได้โต้ตอบหลายรอบ โดยต้องตัดสินใจว่าจะเรียกใช้เครื่องมือภายนอกหรือไม่ ข้อมูลฝึกจะตัดพรอมป์ต์ที่มีภาพเสียหายหรือกำกวมทางความหมาย ซึ่งอาจทำให้สัญญาณการเรียนรู้สับสน อัลกอริทึมต้องเปรียบเทียบคำตอบที่ถูกและผิดเพื่อสร้างเกรเดียนต์ที่มีความหมาย ทีมจึงคัดงานที่ง่ายเกินไปจนโมเดลตอบถูกเสมอ และงานที่ยากเกินไปจนโมเดลตอบผิดเป็นประจำออก การคัดสรรเช่นนี้ทำให้มีสัญญาณการเรียนรู้ที่นำไปใช้ได้ตลอดการปรับประสิทธิภาพ และหลีกเลี่ยงช่วงที่เกรเดียนต์ราบเรียบจนโมเดลไม่อาจพัฒนาได้
จากการสิ้นเปลือง 98% สู่การใช้เครื่องมืออย่างแม่นยำ
ผลการประเมินแสดงให้เห็นว่าการใช้เครื่องมืออย่างมีประสิทธิภาพและความแม่นยำสูงเป็นเป้าหมายที่ส่งเสริมกัน ไม่ได้ขัดแย้งกัน Metis ทำผลงานได้ระดับแนวหน้าของวงการในชุดข้อมูลด้านการรับรู้ภาพและความเข้าใจเอกสาร ซึ่งรวมถึง HRBench และ V*Bench ตลอดจนโจทย์ให้เหตุผลทางคณิตศาสตร์ที่เข้มงวดอย่าง WeMath และ MathVista ที่น่าสังเกตคือ Metis ซึ่งมีพารามิเตอร์ 8 พันล้านตัว ทำผลงานเหนือกว่า Skywork-R1V4 ที่มีพารามิเตอร์ 30 พันล้านตัวและมีขนาดใหญ่กว่ามาก ทั้งในเกณฑ์วัดด้านภาพและการให้เหตุผล ผลงานนี้สร้างมาตรฐานใหม่ให้วงการ โดยใช้ทรัพยากรประมวลผลน้อยกว่ามาก
ผลการวัดเชิงปริมาณสอดคล้องกับการเปลี่ยนแปลงพฤติกรรมที่เห็นได้จากการทดสอบ ในการทดลองหนึ่ง นักวิจัยนำภาพป้ายในพิพิธภัณฑ์ให้ดู แล้วถามว่าข้อความตรงกลางเขียนว่าอะไร โมเดลเอเจนต์ทั่วไปเขียนสคริปต์ Python เพื่อครอบตัดและประมวลผลภาพโดยอัตโนมัติทั้งที่ไม่จำเป็น เพิ่มทั้งเวลาแฝงและความซับซ้อน ส่วน Metis มองออกว่าข้อความอ่านได้ชัดเจนจากภาพต้นฉบับ จึงไม่เรียกใช้เครื่องมือภายนอกและทำงานเสร็จในการอนุมานครั้งเดียว นี่แสดงถึงความเข้าใจภาพอย่างแท้จริง ไม่ใช่การพึ่งพาเครื่องมือแบบกลไก
ในทางกลับกัน เมื่อพบกราฟซับซ้อนที่มีเส้นทับซ้อนกันในกราฟย่อยขนาดเล็ก และถูกถามให้ระบุเส้นที่มีค่าสูงเป็นอันดับสอง ณ จุดข้อมูลหนึ่ง Metis ประเมินได้อย่างถูกต้องว่าความละเอียดปกติของตนไม่เพียงพอที่จะแยกรายละเอียดภาพ แทนที่จะเดาจากภาพรวม โมเดลเรียกใช้ Python เพื่อครอบตัดและขยายเฉพาะบริเวณนั้น จึงได้รายละเอียดที่แม่นยำตามต้องการ พฤติกรรมนี้แสดงให้เห็นการใช้โค้ดเป็นเครื่องมือเพิ่มความแม่นยำเฉพาะเมื่อหลักฐานจากภาพกำกวมจริง ๆ ไม่ใช่ใช้เป็นทางเลือกสำรองโดยอัตโนมัติกับทุกอินพุต
เหตุผลทางเศรษฐศาสตร์ที่ควรพัฒนาเอเจนต์ให้ฉลาดขึ้น
สำหรับสตาร์ตอัปและองค์กรที่สร้างผลิตภัณฑ์ AI ความก้าวหน้าของ Metis ส่งผลโดยตรงต่อการสร้างเศรษฐศาสตร์ต่อหน่วยที่ยั่งยืน เอเจนต์ AI ในปัจจุบันที่ใช้ API ยอดนิยมจาก OpenAI, Anthropic หรือ Google อาจมีค่าใช้จ่ายรายเดือนสูงถึงหลักพันจากการเรียกใช้ซ้ำซ้อนเพียงอย่างเดียว สตาร์ตอัปที่จ่ายค่าเข้าถึง API เดือนละ 10,000 ดอลลาร์ อาจลดค่าใช้จ่ายได้ถึง 9,600 ดอลลาร์ด้วยการตัดการเรียกใช้เครื่องมือที่สิ้นเปลืองออก โดยอิงจากสัดส่วนการลดการเรียกใช้จาก 98% เหลือ 2% ที่งานวิจัยแสดงให้เห็น เงินที่ประหยัดได้มีความสำคัญอย่างยิ่งเมื่อผลิตภัณฑ์เติบโตพ้นระยะผลิตภัณฑ์ขั้นต่ำที่ใช้งานได้ ไปสู่สภาพแวดล้อมการผลิตที่มีผู้ใช้งานหลายพันคน
นอกเหนือจากการลดค่าใช้จ่ายโดยตรงแล้ว การลดเวลาแฝงยังสร้างความได้เปรียบด้านประสบการณ์ผู้ใช้ ทั้งผลิตภัณฑ์สำหรับผู้บริโภคและผลิตภัณฑ์ B2B ได้ประโยชน์จากการตอบสนองที่เร็วขึ้น ซึ่งสัมพันธ์อย่างมากกับการรักษาผู้ใช้และตัวชี้วัดการมีส่วนร่วม เมื่อผลิตภัณฑ์ขยายจากผู้ใช้งานหลักร้อยเป็นหลักพัน คอขวดจากการเรียกใช้ API ที่ไม่จำเป็นแบบต่อเนื่องจะสะสมจนประสิทธิภาพของระบบลดลงทั้งระบบ สิ่งที่ทำงานได้ดีพอในช่วงพัฒนาแรกเริ่มมักรับมือกับปริมาณการใช้งานจริงไม่ไหว หากไม่มีการปรับประสิทธิภาพ จนอาจเกิดวิกฤตในช่วงที่การเติบโตกำลังเร่งตัวพอดี
ในตลาดที่ผู้บริโภคอ่อนไหวต่อราคา เช่น ลาตินอเมริกาและประเทศเศรษฐกิจเกิดใหม่อื่น ๆ ประสิทธิภาพการดำเนินงานเป็นตัวกำหนดความอยู่รอดทางธุรกิจ บริษัทที่รักษาอัตรากำไรให้แข็งแกร่งได้ ขณะที่คู่แข่งเผาผลาญเงินทุนไปกับการประมวลผลที่ซ้ำซ้อน ย่อมมีความได้เปรียบในการแข่งขันอย่างยั่งยืน งานวิจัยชี้ว่าในสภาพแวดล้อมที่สตาร์ตอัปทุกแห่งเข้าถึงโมเดลพื้นฐานเดียวกันได้ ประสิทธิภาพจะกลายเป็นปัจจัยหลักที่สร้างความแตกต่างในการแข่งขัน พลวัตนี้เอื้อประโยชน์แก่องค์กรที่ใช้แคชอัจฉริยะ เกณฑ์ความเชื่อมั่น และการเลือกโมเดลอย่างมีกลยุทธ์ ควบคู่ไปกับกรอบการทำงานอย่าง HDPO
แนวคิดใหม่ในการฝึกโมเดล
กรอบ HDPO สะท้อนการเปลี่ยนแนวคิดในการฝึกโมเดลให้ใช้เครื่องมือ ก่อนหน้านี้นักวิจัยมุ่งสอนโมเดลให้เรียกใช้เครื่องมือได้อย่างถูกต้องเป็นหลัก โดยเน้นความชำนาญทางเทคนิคมากกว่าวิจารณญาณ ทีมงาน Alibaba สนับสนุนให้พัฒนาปัญญาเชิงเมตาคอกนิชัน เพื่อให้รู้ว่าเมื่อใดควรงดใช้เครื่องมือภายนอกโดยสิ้นเชิง แนวทางนี้ต้องอาศัยข้อมูลฝึกที่แสดงให้เห็นอย่างชัดเจนถึงการยับยั้งชั่งใจอย่างมีกลยุทธ์ ไม่ใช่เพียงการใช้เครื่องมือทางเทคนิค ซึ่งเป็นรายละเอียดที่ชุดข้อมูลก่อนหน้านี้มองข้ามเป็นส่วนใหญ่
กระบวนการคัดสรรข้อมูลช่วยแก้ข้อบกพร่องร้ายแรงที่พบได้ทั่วไปในชุดข้อมูลซึ่งเสริมการใช้เครื่องมือ ชุดข้อมูลสาธารณะส่วนใหญ่มีเส้นทางการทำงานที่เต็มไปด้วยสัญญาณรบกวน ทำให้โมเดลเรียนรู้ที่จะเรียกใช้เครื่องมือจนเป็นนิสัยแทนที่จะใช้อย่างมีกลยุทธ์ นักวิจัยกรองตัวอย่างที่แก้ได้โดยไม่ต้องอาศัยความช่วยเหลือภายนอกออก และใช้ผู้ประเมินอัตโนมัติตรวจสอบความจำเป็น จึงสร้างสภาพแวดล้อมการฝึกที่ให้รางวัลกับการงดใช้เครื่องมืออย่างรอบคอบ แนวทางนี้แตกต่างจากกรอบอย่าง ReAct ซึ่งรวมการให้เหตุผลและการลงมือทำโดยไม่มีการปรับประสิทธิภาพแบบสองช่องทางอย่างชัดเจน หรือ Meta Toolformer ซึ่งเน้นการเรียนรู้การใช้เครื่องมือมากกว่าประสิทธิภาพในการดำเนินงาน
หลักสูตรการเรียนรู้โดยนัยที่ HDPO สร้างขึ้นมีลักษณะคล้ายรูปแบบการเรียนรู้ของมนุษย์ในการศึกษาวิชาชีพ เอเจนต์มือใหม่จะเชี่ยวชาญการตอบโจทย์ให้ถูกต้องก่อน เพื่อให้มั่นใจว่าสามารถแก้ปัญหาได้อย่างน่าเชื่อถือโดยใช้ทรัพยากรที่มีอยู่ เมื่อความสามารถมั่นคงแล้ว ระบบจะค่อย ๆ เปลี่ยนไปสู่การเพิ่มประสิทธิภาพ เรียนรู้ที่จะแก้ปัญหาคุ้นเคยโดยตรง พร้อมเก็บเครื่องมือภายนอกไว้ใช้กับเรื่องใหม่จริง ๆ หรือกรณีขอบที่ซับซ้อน แนวทางนี้หลีกเลี่ยงความเปราะบางของระบบที่ฝึกทั้งสองเป้าหมายพร้อมกัน ซึ่งมักทำให้ความแม่นยำลดลงเมื่อเงื่อนไขด้านประสิทธิภาพเริ่มกดดัน
การเข้าถึงแบบโอเพนซอร์สและผลกระทบทั่วโลก
Alibaba เผยแพร่ Metis และโค้ดฝึก HDPO ภายใต้สัญญาอนุญาตแบบผ่อนปรน Apache 2.0 ซึ่งอนุญาตให้ใช้ในเชิงพาณิชย์โดยไม่มีข้อจำกัดหรือค่าลิขสิทธิ์ แนวทางเปิดกว้างนี้ช่วยให้สตาร์ตอัปนำเทคโนโลยีไปผสานใช้งานได้ทันที แทนที่จะต้องรอโซลูชันแบบกรรมสิทธิ์เฉพาะหรือจ่ายค่าบริการเข้าถึงในราคาสูง อย่างไรก็ตาม เนื่องจากบทความเผยแพร่ในเดือนเมษายน 2026 เอกสารประกอบและการสนับสนุนจากชุมชนยังอยู่ในช่วงเริ่มต้น การนำไปใช้และปรับแต่งอย่างเหมาะสมจึงต้องอาศัยความเชี่ยวชาญทางเทคนิคอย่างมาก
การเผยแพร่ครั้งนี้เกิดขึ้นในช่วงที่ระบบนิเวศเอเจนต์ AI กำลังก้าวพ้นการเพิ่มฟีเจอร์ ไปสู่การปรับประสิทธิภาพ บริษัทอย่าง LangChain และ LlamaIndex ยังคงผสานการปรับปรุงลักษณะเดียวกันเข้ากับแพลตฟอร์ม ขณะที่ทางเลือกแบบกรรมสิทธิ์เฉพาะก็มีบริการที่จัดการให้พร้อมใช้ในโครงสร้างราคาหลากหลาย สำหรับนักพัฒนาในตลาดที่ใช้ภาษาสเปนและประเทศเศรษฐกิจเกิดใหม่ การนำกรอบเพิ่มประสิทธิภาพเช่นนี้มาใช้ตั้งแต่เนิ่น ๆ เปิดโอกาสให้สร้างผลิตภัณฑ์ที่แข่งขันได้ โดยปรับให้เหมาะกับข้อจำกัดของโครงสร้างพื้นฐานและความอ่อนไหวด้านราคาในท้องถิ่น
สมาชิกทีมวิจัยย้ำว่าการกำจัดการเรียกใช้เครื่องมือที่ซ้ำซ้อนและเต็มไปด้วยสัญญาณรบกวนช่วยเพิ่มความแม่นยำโดยตรง ไม่ใช่การแลกเป้าหมายหนึ่งกับอีกเป้าหมายหนึ่ง ข้อสรุปของพวกเขาชี้ถึงการเปลี่ยนกระบวนทัศน์ที่กว้างขึ้นในการพัฒนาปัญญาประดิษฐ์ จากระบบที่แสดงความสามารถผ่านความถี่ในการใช้เครื่องมือ ไปสู่เอเจนต์ที่แสดงวิจารณญาณผ่านการยับยั้งชั่งใจอย่างมีกลยุทธ์ งานวิจัยนี้ชี้ว่าการพัฒนา AI ในอนาคตจะให้ความสำคัญกับการลงมืออย่างเลือกสรรและชาญฉลาด มากกว่าการเรียกใช้เครื่องมือทุกชนิดอย่างครอบคลุม
ประเด็นสำคัญ
- เอเจนต์ Metis ของ Alibaba ลดการเรียกใช้เครื่องมือ AI ซ้ำซ้อนจาก 98% เหลือ 2% ด้วยกรอบ HDPO
- HDPO (การเพิ่มประสิทธิภาพนโยบายแบบแยกส่วนตามลำดับชั้น) แยกความแม่นยำและประสิทธิภาพออกเป็นช่องทางการฝึกอิสระ
- Metis ซึ่งมีพารามิเตอร์ 8 พันล้านตัว ทำผลงานเหนือกว่าโมเดลขนาดใหญ่กว่าที่มีพารามิเตอร์ 30 พันล้านตัวในเกณฑ์วัดด้านภาพและการให้เหตุผล
- การใช้เครื่องมืออย่างมีกลยุทธ์สร้างหลักสูตรการเรียนรู้ด้านการคิดโดยนัย ซึ่งทำให้เอเจนต์เชี่ยวชาญความแม่นยำก่อนเพิ่มประสิทธิภาพ
- สตาร์ตอัปอาจประหยัดค่าใช้จ่ายได้ถึง 96% จากการลดค่า API ด้วยการกำจัดการเรียกใช้ที่สิ้นเปลือง
- Metis และโค้ด HDPO เผยแพร่ภายใต้สัญญาอนุญาต Apache 2.0 ซึ่งอนุญาตให้ใช้ในเชิงพาณิชย์โดยไม่มีข้อจำกัด
- กรอบการทำงานนี้แก้ปัญหาข้อบกพร่องด้านเมตาคอกนิชัน ซึ่งทำให้เอเจนต์ AI แยกไม่ออกว่าควรใช้ความรู้ภายในหรือจำเป็นต้องเรียกใช้เครื่องมือภายนอก
