MSD / Badania / WYDANIE BADAWCZE

Podejmij następną próbę w oparciu o opisy błędów

Refleksja bada agentów, którzy wykorzystują informację zwrotną w formie językowej w późniejszych eksperymentach. Informacja zwrotna zmienia kontekst pracy.

Jetzt eintauchen ↓RECHERCHESTAND 12.11.2026 · FAKTEN + EINORDNUNG + SZENARIEN

RESEARCH NOTE / 2023Badania

KI & Agenten

Badania zewnętrzne · Klasyfikacja MSD
Keine Behauptung eines eigenen Versuchs.

01 / EINORDNUNG

Co oznacza to odkrycie.

Grenzen des Nachweises

Przekonująca samokrytyka nie jest niezależnym dowodem jakości; nieprawidłowe informacje zwrotne mogą ustabilizować błędy.

Nasze wyprowadzenie dla operacji pilotażowej

W przypadku pętli uczenia się należy zachować test zewnętrzny i niezmienione zadania porównawcze.

To wyprowadzenie jest rekomendacją redakcyjną MSD. Nie jest to kolejny wynik cytowanego badania.

Źródło i wersja

Shinn et al. · Reflexion · Publikations-/Bezugsjahr 2023. Recherchiert am 12.11.2026.

Przeczytaj główne źródło ↗

Badania zewnętrzne, a nie referencje z projektu dla klienta MSD. Własne eksperymenty opublikujemy wyłącznie z opisem konfiguracji, datą, wynikami pomiarów i udokumentowanymi nieudanymi próbami.

02 / LINKI

Myśl przyszłościowo. Sprawdzaj dalej.

Sztuczna inteligencja i agenci / Ustalenia licznikowe / 2025

Kiedy sztuczna inteligencja przedłuża pracę: kontrofensywa METR ↗

W randomizowanym badaniu z udziałem 16 doświadczonych programistów i 246 zadań narzędzia AI z początku 2025 r. wydłużyły czas realizacji o 19%. Zaangażowani ocenili płynące z nich korzyści jako znacznie korzystniejsze.

METR · Randomizowane badanie

KI & Agenten / Methodik / 2026

Neue Werkzeuge, neue Auswahlverzerrung ↗

METR opisuje kolejny eksperyment przeprowadzony w lutym 2026 r. Dowody na szybszą pracę są trudne do interpretacji ze względu na dobór uczestników i zadań oraz problemy z pomiarem czasu.

METR · Methodenupdate 24.02.2026

KI & Agenten / Grundlage / 2017

Uwaga: Język można przetwarzać równolegle ↗

W artykule Transformer przedstawiono architekturę przetwarzania sekwencji opartą na uwadze. Jest to metodologiczny element konstrukcyjny późniejszych modeli językowych i multimodalnych.

Vaswani et al. · Attention Is All You Need