深度分析
DeLM:Stanford 的去中心化語言模型框架,實驗顯示成本減半、準確率提升
斯坦福提出DeLM去中心化多代理框架,利用共享知識基底與任務佇列,讓代理直接協調。實驗顯示在SWE‑bench與LongBench‑v2上提升精準度約10%,成本減半。此技術或重塑AI產業的協調模式與開發者生態。此外,DeLM透過壓縮驗證的gists共享失敗與限制,降低重複探索,提升上下文問答效能。
深度分析
斯坦福提出DeLM去中心化多代理框架,利用共享知識基底與任務佇列,讓代理直接協調。實驗顯示在SWE‑bench與LongBench‑v2上提升精準度約10%,成本減半。此技術或重塑AI產業的協調模式與開發者生態。此外,DeLM透過壓縮驗證的gists共享失敗與限制,降低重複探索,提升上下文問答效能。
深度分析
大型語言模型測試階段需處理複雜任務,中心化多代理系統成為溝通瓶頸。研究提出DeLM,透過共享驗證上下文與任務佇列,使代理非同步取任務、寫入精簡驗證結果,提升軟體工程測試與長文件問答。實驗在SWE‑bench Verified與LongBench‑v2上分別提升10.5%與5.7%準確度,成本減半。