בעידן שבו מודלי שפה גדולים (LLMs) נדרשים לפעול בסביבות אמיתיות על פני מספר מחזורים – לבצע פעולות, לצפות בתוצאות ולשפר מוצרים באופן איטרטיבי – חסרה לקהילה הפתוחה תשתית מקיפה ומסודרת לפיתוח סוכנים כאלה. כעת מושקת ALE, מערכת הלמידה האג'נטית, שמספקת צינור ייצור מיטבי למודלי LLM אג'נטיים. ALE מורכבת משלושה רכיבים מרכזיים: ROLL לאופטימיזציה של משקולות לאחר אימון, ROCK לניהול סביבות חולצות ליצירת מסלולים, ו-iFlow CLI למסגרת סוכנים להנדסת הקשר יעילה. התשתית הזו מאפשרת פיתוח מהיר ומדויק של סוכני AI מתקדמים.
החוקרים משחררים את ROME, מודל סוכן פתוח שנבנה על בסיס ALE ומאומן על פני יותר ממיליון מסלולים. התהליך כולל פרוטוקולי הרכבת נתונים לסינתזה של התנהגויות מורכבות, לצד אלגוריתם אופטימיזציה חדשני בשם Interaction-based Policy Alignment (IPA). האלגוריתם הזה מייחס קרדיט על פני חתיכות אינטראקציה סמנטיות במקום טוקנים בודדים, מה שמשפר את יציבות האימון באופקים ארוכים. גישה זו פותרת בעיות נפוצות באימון סוכנים ארוכי טווח.
במבחנים אמפיריים, ROME הוכיח ביצועים חזקים במגוון בנצ'מרקים, כולל SWE-bench Verified ו-Terminal Bench. כדי לשפר את ההערכה, הוצג Terminal Bench Pro – בנצ'מרק חדש בקנה מידה גדול יותר עם בקרת זיהום משופרת. התוצאות מוכיחות את יעילותה של תשתית ALE בפיתוח סוכני AI איכותיים שמתמודדים עם משימות מורכבות בעולם האמיתי.
ALE מגיעה בדיוק בזמן שבו עסקים מחפשים כלים פתוחים לפיתוח סוכני AI אוטונומיים. בהשוואה לפתרונות סגורים של חברות גדולות, ALE מציעה גישה שקופה וניתנת להרחבה, שמתאימה לקהילה המפתחת ולחברות סטארט-אפ. בישראל, שבה תעשיית ההייטק מובילה בפיתוח AI, תשתית כזו יכולה להאיץ פרויקטים של אוטומציה ולסייע בהתמודדות עם אתגרי אימון מורכבים.
למנהלי עסקים, השקת ALE ו-ROME פירושה הזדמנות לאמץ כלי פתוחים שמקצרים את זמן הפיתוח ומשפרים ביצועים. כדאי לבדוק את המודל בגוגל קולאב או בסביבות מקומיות, ולשלבו בפרויקטי אוטומציה. האם ALE תהפוך לסטנדרט החדש בפיתוח סוכני AI?