தானாக மேம்படும் திறன்கள்
Perplexity Brain அனுபவத்திலிருந்து மீண்டும் நிகழும் நடைமுறைகளை எவ்வாறு கற்றுக்கொள்கிறது, அவற்றை எவ்வாறு புதுப்பித்த நிலையில் வைத்திருக்கிறது என்பது பற்றி.
அறிமுகம்
பொதுப் பயன்பாட்டு மாதிரி ஒன்று முன்கூட்டியே அறிய முடியாத, பணிப்பாய்வுக்குரிய விருப்பங்களும் தேவைகளும் பயனர்களுக்கு உள்ளன. ஒவ்வொரு அமர்விலும் ஒரே நடைமுறையை விளக்கவோ ஒரே திருத்தங்களைச் செய்யவோ பயனரைக் கோருவதற்குப் பதிலாக, ஏஜென்ட் இந்த விவரங்களைக் கற்றுக்கொண்டு தன் பணியைப் பயனருக்கு ஏற்றவாறு மாற்றிக்கொள்ள வேண்டும். தொடர் கற்றல் இதைச் சாத்தியமாக்குகிறது: நிறைவடைந்த பணிகளிலிருந்து பெறும் அனுபவம், எதிர்காலப் பணிகளை ஏஜென்ட் அணுகும் விதத்தை வழிநடத்த வேண்டும்.
Computer-இன் தனிப்பயனாக்கப்பட்ட சுய-மேம்பாட்டு அமைப்பான Brain, அனுபவத்தின் மூலம் கற்றலைச் சாத்தியமாக்குகிறது. பயனர் மற்றும் அவரது பணி பற்றிய தகவல்களை, அவற்றை ஆதரிக்கும் சான்றுகளுடன் இணைக்கும் கட்டமைக்கப்பட்ட அறிவு விக்கியை அது ஏற்கெனவே பராமரிக்கிறது. புதிய தகவல்கள் சேரச் சேர பின்னணி ஏஜென்ட்கள் விக்கியைப் புதுப்பிப்பதால், நினைவக அமைப்பு காலப்போக்கில் மேம்படுகிறது.
ஏஜென்ட் திறன்கள், அடிப்படை மாதிரியை மாற்றாமலேயே ஏஜென்ட்டின் நடத்தையை வழிநடத்த மற்றொரு வழியை வழங்குகின்றன. திறன்கள் என்பவை குறிப்பிட்ட பணிகளில் ஏஜென்ட்டை வழிநடத்தும், மீண்டும் பயன்படுத்தக்கூடிய வழிமுறைகள். மீண்டும் மீண்டும் நிகழும் பணிப்பாய்வுகளுக்கான தேவைகளையும் துணை ஆதாரங்களையும் அவை பதிவுசெய்கின்றன; இல்லையெனில் ஏஜென்ட் இவற்றை நினைவிலிருந்து ஊகிக்கவோ ஒவ்வொரு முறையும் பயனரிடமிருந்து பெறவோ வேண்டியிருக்கும். இதன் மூலம், பயிற்சித் தரவின் பரவலுக்கு வெளியே உள்ள பணிகளில் செயல்திறன் மேம்படுகிறது. குறியீட்டில் நம்பகமாக வெளிப்படுத்தக்கூடிய, மீண்டும் மீண்டும் செய்யப்படும் நடைமுறைகள் அல்லது செயலாக்கங்களுக்கான ஸ்கிரிப்ட்களையும் அவை உள்ளடக்கலாம்; இதனால் பொருந்தும்போது ஏஜென்ட் அந்த ஸ்கிரிப்ட்களை நேரடியாக இயக்கலாம். கிடைக்கும் திறன்களை harness கண்டறியக்கூடியதாக்கி, ஏஜென்ட் கோரும்போது அவற்றின் வழிமுறைகளைச் சூழலுக்குள் ஏற்றுகிறது. எந்தத் திறன்களைப் பயன்படுத்த வேண்டும் என்பதைப் பயனர்கள் ப்ராம்ப்ட்டில் நேரடியாகக் குறிப்பிடவும் முடியும்.
ஏஜென்ட் திறன்களைத் தானாக உருவாக்கவும் புதுப்பிக்கவும் Brain-ஐ விரிவுபடுத்துகிறோம். பயனரின் நினைவகம் மற்றும் அமர்வு வரலாற்றின் அடிப்படையில், அந்தப் பயனரின் பணிப்பாய்வுகளுக்கான நடைமுறைகளைப் பதிவுசெய்யும் தனிப்பட்ட திறன்களை Brain எழுதி மெருகேற்றுகிறது. ஒவ்வொரு Perplexity பயனருக்கும் கிடைக்கும் உள்ளமைந்த திறன்களை, அனைத்து அமர்வுகளிலும் காணப்படும் ஒட்டுமொத்தப் போக்குகளின் அடிப்படையில் புதுப்பிக்க, இதே போன்ற அணுகுமுறையைப் பயன்படுத்துகிறோம்.
அனைத்து வகைத் திறன்களுக்கும் பொதுவான எங்கள் சுய-மேம்பாட்டு இயந்திரத்தை முதலில் விவரித்து, அது தனிப்பட்ட மற்றும் உள்ளமைந்த திறன்களுக்கு எவ்வாறு செயல்படுகிறது என்பதை விளக்குகிறோம்.
பகிரப்பட்ட சுய-மேம்பாட்டு இயந்திரம்
புதிய விருப்பங்கள் உருவாகும்போதோ, அதன் வழிமுறைகளில் உள்ள இடைவெளிகளை அனுபவம் வெளிப்படுத்தும்போதோ, பயனுள்ள ஒரு திறனும் மாற வேண்டியுள்ளது. அடுத்த முறை Computer இதே போன்ற பணியை எதிர்கொள்ளும்போது ஏஜென்ட்டின் நடத்தை எவ்வாறு மாற வேண்டும் என்பதைக் கண்டறிவதும், விரும்பிய முடிவைச் சிறப்பாக அடையத் திறன் எவ்வாறு மாற வேண்டும் என்பதைத் தீர்மானிப்பதும் Brain-இன் பொறுப்பு.
இந்த மேம்பாட்டுச் செயல்முறை நான்கு நிலைகளைக் கொண்ட ஒரு சுழற்சியை உருவாக்குகிறது:
- சான்றுகள். திறன் பயன்படுத்தப்பட்ட முந்தைய அமர்வுகளை, குறிப்பாக அது எதிர்பார்ப்பைப் பூர்த்தி செய்யத் தவறியவற்றை, Brain கண்டறிகிறது.
- சுயபரிசீலனை. மேம்பாட்டு ஏஜென்ட் ஒன்று அந்தச் சான்றுகளை ஆராய்ந்து, திறனுக்கான புதுப்பிப்புகளை முன்மொழிகிறது.
- சரிபார்ப்பு. முன்மொழிவு சரியான வடிவில் உள்ளதா, முடிவுகளை மேம்படுத்த வாய்ப்புள்ளதா என்பதைச் சோதனைகள் உறுதிப்படுத்துகின்றன.
- செயல்படுத்தல். சரிபார்க்கப்பட்ட மாற்றம் பயன்படுத்தப்படுகிறது. எதிர்கால அமர்வுகள் புதிய பதிப்பைப் பயன்படுத்தி, அடுத்த சுற்றுக்கான சான்றுகளை வழங்குகின்றன.
இந்தச் சுழற்சி, Computer மற்றும் Brain-க்காக உருவாக்கப்பட்ட, ஏற்கெனவே உள்ள பல செயல்பாடுகளைச் சார்ந்துள்ளது. சான்றுகளையும் சுயபரிசீலனையையும் சாத்தியமாக்கும் பகிரப்பட்ட அமைப்புகளை இங்கே விவரிக்கிறோம். ஒரு மாற்றம் ஒரு பயனரை மட்டும் சென்றடைகிறதா அல்லது ஒவ்வொரு Perplexity பயனரையும் சென்றடைகிறதா என்பதைப் பொறுத்து சரிபார்ப்பு மற்றும் செயல்படுத்தல் நடைமுறைகள் மாறுபடுவதால், அவற்றைத் தனிப்பட்ட மற்றும் உள்ளமைந்த திறன் மேம்பாட்டுச் சுழற்சிகள் குறித்த அடுத்த பிரிவுகளில் விளக்குகிறோம்.
முந்தைய அமர்வுகளிலிருந்து சான்றுகள்
சுயபரிசீலனைக்கு, ஒரு திறன் பயன்படுத்தப்பட்ட அமர்வுகளை, குறிப்பாக மேம்பாட்டுக்கு இடமுள்ளவற்றை, கண்டறிய வேண்டும். இதைச் சாத்தியமாக்கும் சமிக்ஞைகளை Computer harness பதிவு செய்கிறது. ஏஜென்ட் ஒரு திறனை ஏற்றும்போது, அந்தத் திறனை அமர்வுடன் இணைக்கும் திறன்-ஏற்ற நிகழ்வை harness பதிவு செய்கிறது. பயனரின் எரிச்சல், பழுதான நடத்தை அல்லது வெளிப்படையான செயல்திறன் குறைபாட்டை ஏஜென்ட் கவனிக்கும்போது, அது சுருக்கமான, கட்டமைக்கப்பட்ட கண்டறிதல் அறிக்கையைப் பதிவு செய்கிறது; பயன்பாட்டில் உள்ள திறன்களை harness அதனுடன் இணைக்கிறது. எந்த அமர்வும் தொடர்புடையதாக இருக்கக்கூடிய உள்ளமைந்த திறன்களுக்கு இவை குறிப்பாகப் பயனுள்ளவை; ஏனெனில் சான்றுத் தொகுப்பை விரைவாகக் குறுக்க அமைப்புக்கு ஒரு வழி தேவை.
முடிவையோ சுருக்கமான குறிப்பையோ வைத்து மதிப்பிடுவதைவிட, முழுப் பதிவையும் அணுக முடிவது ஏஜென்ட்களுக்குப் பயனளிக்கிறது. செய்திகள், கருவி அழைப்புகள், பகுத்தறிதல், முடிவுகள் ஆகியவற்றைப் பதிவுசெய்யும், வழங்குநரைச் சாராத செயல்தட வடிவங்களைப் பயன்படுத்தி Computer முந்தைய அமர்வுகளைச் சேமிக்கிறது. இந்தச் செயல்தடங்களைக் குறிவிலக்கம் செய்து முழு அமர்வுகளையும் மறுகட்டமைக்க ஏஜென்ட்கள் பயன்படுத்தக்கூடிய கட்டளை வரி கருவிகளின் தொகுப்பையும் உருவாக்கியுள்ளோம். இதனால், சுயபரிசீலனை ஏஜென்ட் குறிப்பிட்ட திறன் ஏற்றங்களையும் கருவி அழைப்புகளையும் ஆய்வு செய்து, சிக்கல்கள் ஏற்பட்ட அல்லது மேம்பாடுகள் செய்யக்கூடிய துல்லியமான இடங்களைக் கண்டறிய முடிகிறது.
# Decode a stored trajectory into structured messages,
# including tool calls, their arguments, and their results.
python3 deserialize_trajectory.py \
--convo-path session/convo.pb.lz4 \
--jsonl -o session.jsonl
# Identify which skills the agent loaded and how often.
python3 list_skills_used.py session.jsonl
# Read one turn in detail, including its tool calls and results.
python3 deserialize_trajectory.py \
--convo-path session/convo.pb.lz4 \
--turn 3 -o turn-3.md
# Recover earlier steps preserved before a context compaction.
python3 deserialize_trajectory.py \
--convo-path session/compactions/001/original_convo.pb.lz4 \
--jsonl -o earlier-history.jsonlComputer-இன் உள் செயல்பாட்டுத் தட ஆய்வுக் கருவிகளின் பயன்பாட்டு எடுத்துக்காட்டு. விளக்கத்திற்காகப் பாதைகளும் அடையாளங்காட்டிகளும் எளிமைப்படுத்தப்பட்டுள்ளன; கட்டளைப் பெயர்களும் அளபுருக்களும் உண்மையான செயலாக்கத்தைப் பின்பற்றுகின்றன.
பின்னணி ஏஜென்ட்கள் மூலம் சுயபரிசீலனை
ஒவ்வொரு பயனருக்குமான அனுபவத்தைத் தொடர்ந்து மேம்படுத்த, Brain பின்னணி ஏஜென்ட்களின் குழுவைப் பயன்படுத்துகிறது. எடுத்துக்காட்டாக, Dream ஏஜென்ட்கள் திரட்டப்பட்ட அனுபவத்தை மதிப்பாய்வு செய்து அறிவு விக்கியைப் புதுப்பிக்கின்றன. அதேபோல், திறன் பயன்பாட்டுச் சான்றுகளைப் பரிசீலித்துப் புதுப்பிப்புகளை முன்மொழியும் மேம்பாட்டு ஏஜென்ட்களால் திறன் மேம்பாடு இயக்கப்படுகிறது.
ஒவ்வொரு ஏஜென்ட்டும் ஒரு முன்னணி மாதிரி, தொடர்புடைய சான்றுகள், தற்போதைய திறன் நூலகம் ஆகியவற்றுடன், தனக்கென உள்ள சாண்ட்பாக்ஸில் செருகுநிரல்கள் மற்றும் திறன்களின் வழிகாட்டுதலுடன் செயல்படுகிறது. எந்த அமர்வுகளைப் படிக்க வேண்டும் என்பதை அது தீர்மானித்து, ஒவ்வொன்றிலிருந்தும் ஓர் உறுதியான பாடத்தைப் பெற்று, ஒரே மறுபயன்பாட்டு நடத்தையைக் கோரும் பாடங்களை ஒன்றாகக் குழுவாக்குகிறது. ஒரு தோல்விக்கான திருத்தம் வேறொரு வழிமுறைக்கு முரணாகவோ வேறிடத்தில் கூடுதல் வேலையைச் சேர்க்கவோ கூடும் என்பதால், திருத்தத்தை முன்மொழிவதற்கு முன் அது முழுத் திறனையும் படிக்கிறது; சான்றுகள் ஆதரிக்காதபோது எந்தத் திருத்தத்தையும் முன்மொழியாமல் விலகிவிடுகிறது.
மேம்பாட்டு ஏஜென்ட்கள் Computer பயன்படுத்தும் அதே harness-இல் இயங்குகின்றன. நாங்கள் harness-ஐ மாடுலர் முறையில் வடிவமைத்துள்ளோம்; இதனால், ஒரு புதிய ஏஜென்ட் பயன்பாடு பகுத்தறிதல், கருவிப் பயன்பாடு, சூழல் மேலாண்மை ஆகியவற்றுக்கான அதன் அமைப்புகளை மீண்டும் பயன்படுத்திக்கொண்டே, தன் சொந்த வழிமுறைகளையும் செயல்பாடுகளையும் செருகுநிரல்கள் மூலம் வரையறுக்க முடிகிறது. பிரத்யேகப் பின்னணிச் செயலாக்கிகளின் தொகுப்பு, முன்புலப் பணிகளைச் சாராமல் இந்தச் செயலாக்கத்தின் அளவை விரிவுபடுத்த எங்களுக்கு உதவுகிறது.
தனிப்பட்ட திறன் மேம்பாட்டுச் சுழற்சி
பயனரின் பணி வரலாற்றைப் புதிய அல்லது புதுப்பிக்கப்பட்ட தனிப்பட்ட திறன்களாக மாற்றும் தனிப்பட்ட மேம்பாட்டுச் சுழற்சியில், பகிரப்பட்ட சுய-மேம்பாட்டு இயந்திரம் எவ்வாறு பயன்படுத்தப்படுகிறது என்பதை முதலில் விவரிக்கிறோம். கீழே உள்ள படம், ஓர் எடுத்துக்காட்டுத் திறனை முழுச் சுழற்சியிலும் பின்தொடர்ந்து, அதன் திருத்தப்பட்ட பதிப்பில் நிறைவடைகிறது.
தினசரி உருவாக்க ஓட்டத்தின்போது, செய்யத் தகுந்த மாற்றங்களைத் தீர்மானிக்க, மேம்பாட்டு ஏஜென்ட் பயனரின் சமீபத்திய அமர்வுகளை மதிப்பாய்வு செய்கிறது. சமீபத்திய அமர்வுகளின் ஒரு தொகுப்பு, திறன் பயன்பாட்டுத் தரவுடன் சேர்த்து சாண்ட்பாக்ஸில் முன்கூட்டியே ஏற்றப்படுகிறது; பயனரின் மீதமுள்ள அமர்வு வரலாற்றைத் தேவைக்கேற்பப் பெறலாம். ஏற்கெனவே உள்ள திறன்களின் பட்டியலும் மேம்பாட்டு ஏஜென்ட்டுக்கு வழங்கப்படுகிறது. அதற்கு இணையத்தையோ பிற இணைப்பான்களையோ அணுகும் வசதி இல்லை.
தனிப்பட்ட திறன் மேம்பாட்டுப் பணிப்பாய்வுக்காக வடிவமைக்கப்பட்ட செருகுநிரல்களும் திறன்களும், நல்ல புதுப்பிப்பு எது என்பது குறித்த எங்கள் கொள்கைகளின் அடிப்படையில் சுயபரிசீலனைச் செயல்முறையை வழிநடத்துகின்றன. ஒவ்வொரு அமர்விலும் ஓர் உறுதியான பாடத்தைக் கண்டறிய, ஏஜென்ட் முதலில் முழுச் செயல்தடங்களையும் பகுப்பாய்வு செய்கிறது. பின்னர் அந்தப் பாடங்களை ஏற்கெனவே உள்ள வழிமுறைகளுடன் ஒப்பிட்டு, ஒரு திறனைப் புதுப்பிப்பதா, புதிதாக ஒன்றை உருவாக்குவதா, அல்லது எந்த மாற்றமும் செய்யாமல் இருப்பதா என்று தீர்மானிக்கிறது. ஒரு திறனை உருவாக்க, ஒரே மறுபயன்பாட்டு நடத்தை இரண்டு முறை தனித்தனியாக நிகழ்ந்திருக்க வேண்டும்; ஆனால் ஏற்கெனவே உள்ள திறனைப் புதுப்பிக்க, உறுதியான ஆதாரமுள்ள ஒரே ஒரு நிகழ்வே போதுமான நியாயமாக இருக்கலாம்.
ஏஜென்ட் திறனை நேரடியாக மாற்றுவதில்லை. அதற்குப் பதிலாக, நோக்கமுள்ள மாற்றங்களையும் அவற்றை ஆதரிக்கும் காரணங்களையும் சான்றுகளையும் பதிவுசெய்த ஒரு முன்மொழிவை அது உருவாக்குகிறது. ஒவ்வொரு ஓட்டத்திலும் ஒரு திறனுக்கு ஒரு மாற்றம் மட்டுமே என்ற வரம்புக்குள் புதுப்பிப்புகள் அமைகின்றன. முன்மொழிவுகள் சரியான வடிவில் உள்ளனவா, அவற்றைத் திறனில் பயன்படுத்த முடியுமா என்பதை நிர்ணயமான (deterministic) சோதனைகள் சரிபார்க்கின்றன. தனியாக, ஒரு LLM நடுவர் மாதிரியாகத் தேர்ந்தெடுக்கப்பட்ட முன்மொழிவுகளைத் தணிக்கை செய்து, சான்றுகள் மாற்றத்தை ஆதரிக்கின்றனவா, அதன் விளைவாக வரும் திறன் பயனுள்ள வழிமுறைகளை வழங்குகிறதா என்பதைச் சரிபார்க்கிறது.
செயல்படுத்தல், சரிபார்க்கப்பட்ட முன்மொழிவைப் பயனரின் திறன் நூலகத்தில் ஒரு மாற்றமாக மாற்றுகிறது; இதனால் புதிய பதிப்பை எதிர்கால அமர்வுகளில் ஏற்றிப் பயன்படுத்த முடியும். ஒவ்வொரு அமர்வின் தொடக்கத்திலும் கிடைக்கும் அனைத்துத் திறன்களின் அட்டவணையை harness ஏற்றுவதால், பெரிய திறன் நூலகம் சூழல் சாளரத்தை நெரிசலாக்கி, தொடர்புடைய திறன்களைக் கண்டறிந்து ஏற்றுவதை ஏஜென்ட்டுக்குக் கடினமாக்கும். எனவே, சிறிய, கவனமாகத் தேர்ந்தெடுக்கப்பட்ட நூலகத்தைப் பராமரிக்க, அமைப்பு மிகவும் மதிப்புமிக்க திறன்களை மட்டுமே வைத்துக்கொண்டு, தேவையற்ற திறன்களைப் பயன்பாட்டிலிருந்து விலக்குகிறது. குறிப்பாக, ஒரு பயனருக்குத் தானாக உருவாக்கப்படும் திறன்கள் அதிகபட்சம் 10 என்ற வரம்பைச் செயல்படுத்துகிறோம். வரம்பை எட்டிய பிறகும் மேம்பாட்டு ஏஜென்ட் திறன்களைப் புதுப்பிக்கவோ அகற்றவோ முடியும்; ஆனால் புதிய திறனைச் சேர்க்க, ஏற்கெனவே உள்ள ஒரு திறனைப் பயன்பாட்டிலிருந்து விலக்கி, பயனரின் பணிக்குப் புதிய திறன் ஏன் அதிகப் பயனுள்ளது என்பதை அது நியாயப்படுத்த வேண்டும்.
உள்ளமைந்த திறன் மேம்பாட்டுச் சுழற்சி
Brain-இன் தொடர்ச்சியான திறன் மேம்பாட்டுக் கட்டமைப்பை உள்ளமைந்த திறன்களுக்கும் விரிவுபடுத்துகிறோம். ஒரு பயனரின் நினைவகம் மற்றும் அமர்வு வரலாற்றைப் பயன்படுத்தி அந்தப் பயனரின் தனிப்பட்ட திறன்களை மேம்படுத்துவதற்குப் பதிலாக, உள்ளமைந்த சுழற்சி பல பயனர்களிடமிருந்து பெறப்பட்ட சான்றுகளைப் பயன்படுத்தி, ஒவ்வொரு Perplexity பயனருக்கும் கிடைக்கும் திறன்களை மேம்படுத்துகிறது. உள்ளமைந்த திறன்களை யார் வேண்டுமானாலும் பயன்படுத்தலாம் என்பதால், மாற்றங்களுக்கான தரநிலை உயர்வானது; தற்செயலாகச் செயல்திறனைக் குறைக்கும் புதுப்பிப்புகள் ஆயிரக்கணக்கான அமர்வுகளைப் பாதிக்கக்கூடும். உள்ளமைந்த மேம்பாட்டு ஏஜென்ட் திறன்களின் முன்மொழியப்பட்ட பதிப்புகளை மட்டுமே மாற்றுகிறது. திறனின் அதிகாரப்பூர்வப் பதிப்பைச் சென்றடைய, இந்தப் புதுப்பிப்புகள் ஜோடி மறுஇயக்கத்தையும் உள் மனித மதிப்பாய்வையும் கடக்க வேண்டும். மீண்டும் ஒருமுறை, ஓர் எடுத்துக்காட்டுத் திறன் மற்றும் அதை ஆதரிக்கும் சான்றுகளுடன் முழுச் சுழற்சியையும் பின்தொடர்கிறோம்.
பயிற்சிக்குப் பயன்படுத்தத் தகுதியுள்ள அமர்வுகளிலிருந்து பெறப்பட்ட, தூய்மைப்படுத்தப்பட்ட சான்றுகளை உள்ளமைந்த மேம்பாட்டுச் சுழற்சி பயன்படுத்துகிறது. தொடர்புடைய சான்றுகளைத் தேர்ந்தெடுக்கக் கண்டறிதல் அறிக்கைகளும் தோல்விச் சமிக்ஞைகளும் பயன்படுத்தப்படுகின்றன; அவற்றுடன், எந்த எச்சரிக்கையும் எழாமல் திறன் பயன்படுத்தப்பட்ட கட்டுப்பாட்டு அமர்வுகளும் சேர்க்கப்படுகின்றன. ஒரு தூய்மைப்படுத்தும் செயலாக்கத் தொடர், இணைக்கப்பட்ட கோப்புகள் மற்றும் மீடியாவுடன், உள்நுழைவுச் சான்றுகளையும் பிற ரகசியத் தகவல்களையும் நீக்குகிறது.
சூழ்நிலை உருவாக்க ஏஜென்ட் ஒன்று, தூய்மைப்படுத்தப்பட்ட சான்றுகளை உறுதியான தோல்விச் சூழ்நிலைகளாக மாற்றுகிறது. தோல்வி நிகழ்வைப் புரிந்துகொண்டு திறனை மேம்படுத்தத் தேவையான சூழலை மட்டுமே அது வைத்துக்கொள்கிறது; அமர்வின் மீதமுள்ள பகுதி செயற்கையாக மீண்டும் உருவாக்கப்பட்டு, சரிபார்ப்புச் செயல்முறைக்கான தன்னிறைவான சோதனை உருவாக்கப்படுகிறது. இணைக்கப்பட்ட பயன்பாடுகளோ உள்நுழைவோ இல்லாமல் சூழ்நிலைகள் இயங்க வேண்டும்; அசல் பணி ஓர் இணைப்பானைச் சார்ந்திருந்தால், சூழ்நிலையில் அந்த உள்ளீடு செயற்கைக் கோப்புகளால் மாற்றப்படும். உருவாக்கப்பட்ட சூழ்நிலையில் திறன் உண்மையில் தோல்வியடைகிறது என்பதைத் தனிச் சோதனை ஒன்று உறுதிசெய்கிறது.
கவனிக்கப்பட்ட தோல்விகளைத் திருத்தங்களாக மாற்றும் வாராந்திரத் திருத்தப் பணி மூலம் சுயபரிசீலனை நடைபெறுகிறது. ஒரே ஒரு மோசமான அமர்வு திருத்தத்தைத் தூண்டாமல் இருக்க, பல அமர்வுகளில் மீண்டும் மீண்டும் நிகழும் திறன் தோல்விகளை அது தேடுகிறது. மீண்டும் நிகழும் ஒவ்வொரு தோல்விக்கும் தனி மேம்பாட்டு ஏஜென்ட் ஓட்டம் ஒதுக்கப்படுகிறது. வெற்றிகரமான அமர்வுகளின் தூய்மைப்படுத்தப்பட்ட பதிவுகளுடன், மூல காரணம் பற்றிய விளக்கமும் ஏஜென்ட்டுக்கு வழங்கப்படுகிறது. இந்தச் சான்றுகளைக் கொண்டு அது திறனின் முன்மொழியப்பட்ட திருத்தத்தை எழுதுகிறது. முழுத் தோல்விச் சூழ்நிலைகள் மதிப்பீட்டில் பயன்படுத்தப்படுவதால், அவை ஏஜென்ட்டுக்கு வழங்கப்படுவதில்லை.
தனி மறுஇயக்கப் பணி ஒன்று, உருவாக்கப்பட்ட சூழ்நிலைகளைப் பயன்படுத்தி திறனின் அசல் மற்றும் திருத்தப்பட்ட பதிப்புகளை ஒப்பிடுகிறது. ஒவ்வொரு சூழ்நிலையின் மதிப்பீட்டு அளவுகோல்களின் அடிப்படையில், ஏஜென்ட்டின் பதில்களையும் செயல்தடங்களையும் LLM நடுவர் மதிப்பிடுகிறது. ஒரு முன்மொழிவு தேர்ச்சி பெற, ஒவ்வொரு சோதனைச் சூழ்நிலையும் திருத்தப்பட்ட திறனுடன் தேர்ச்சி பெற வேண்டும்; குறைந்தது ஒன்றாவது அசல் திறனுடன் தோல்வியடைய வேண்டும். எதுவும் செயல்படாமல் போகவில்லை என்பதை உறுதிப்படுத்த, கட்டுப்பாட்டு அமர்வுகளிலிருந்து உருவாக்கப்பட்ட சூழ்நிலைகளும் மறுஇயக்கம் செய்யப்படுகின்றன. தோல்விச் சூழ்நிலைகளில், தோல்வியுற்ற எந்தப் பணியையும் அதே சிக்கலுக்கான சான்றாகக் கருதாமல், குறிப்பிட்ட அந்தத் தோல்வியே நிகழ்ந்ததா என்பதையும் நடுவர் சரிபார்க்கிறது.
உள் மனித மதிப்பாய்வுக்காக, முன்மொழியப்பட்ட மாற்றங்களையும் மதிப்பீட்டு முடிவுகளையும் பணிப்பாய்வு ஒரு pull request-ஆகத் தொகுக்கிறது. ஒரு பொறியாளர் அந்த PR-ஐ அங்கீகரித்தால் மட்டுமே மாற்றங்கள் நடைமுறைக்கு வரும்.
மதிப்பீடுகள்
தானியங்கி திறன் மேம்பாடு, திறன்களின் உருவாக்கத்தையும் பயன்பாட்டையும் கணிசமாக அதிகரித்துள்ளது. ஆகஸ்ட் 1 முதல் நவம்பர் 14 வரை, 20,000-க்கும் மேற்பட்ட பயனர்களுக்காக 80,000-க்கும் மேற்பட்ட தனிப்பட்ட திறன்களை Brain எழுதியது. மேலும், செப்டம்பர் 4 முதல் நவம்பர் 14 வரை, ஏற்கெனவே உள்ள 30,000-க்கும் மேற்பட்ட தனிப்பட்ட திறன்களில் 1,00,000-க்கும் மேற்பட்ட தானியங்கி புதுப்பிப்புகள் பயன்படுத்தப்பட்டன.
மென்பொருளைச் சரிபார்ப்பது முதல் ஊதியக் கணக்குகளைச் சரிசெய்வது, விளக்கப்படங்களை வடிவமைப்பது வரை, இந்தத் திறன்கள் பரந்த அளவிலான துறைகளையும் பணிகளையும் உள்ளடக்குகின்றன. Brain உருவாக்கிய திறன்களை, அவை விவரிக்கும் பணிப்பாய்வுகளின் அடிப்படையில் வகைப்படுத்தினோம். மிகப் பெரிய துறையான மென்பொருள் பொறியியல் கூட திறன்களில் 11% மட்டுமே; அதைத் தொடர்ந்து ஆய்வு மற்றும் விளக்கக் குறிப்புகள் (10.1%), விற்பனை மற்றும் செயல்பாடுகள் (9.9%), நிதி மற்றும் முதலீடு (9.9%) ஆகியவை உள்ளன.
தானியங்கி தனிப்பட்ட திறன் மேம்பாடு இயக்கப்பட்ட பயனர்களை, அது முடக்கப்பட்ட கட்டுப்பாட்டுக் குழுவுடன் ஒப்பிட்டு, நேரடி (production) போக்குவரத்தில் எட்டு வாரச் சீரற்ற சோதனையை நடத்தினோம். திறன் மேம்பாடு இயக்கப்பட்டவர்களில் 72.9% பேர் குறைந்தது ஒரு புதிய தனிப்பட்ட திறனைப் பெற்றனர்; அது இல்லாதவர்களில் 6.5% பேர் மட்டுமே புதிய திறனைத் தாமாகச் சேர்த்தனர். சோதனைக் குழுவில் பாதிக்கும் மேற்பட்டோருக்கு (53%), அவர்கள் தொடங்கிய உரையாடலில் ஒரு தனிப்பட்ட திறன் ஏற்றப்பட்டது; கட்டுப்பாட்டுக் குழுவில் இது 13% ஆக இருந்தது. அவர்களின் உரையாடல் சுற்றுகளில் தனிப்பட்ட திறன் சுமார் 3.6 மடங்கு அடிக்கடி ஏற்றப்பட்டது. Brain எழுதிய திறனைப் பெற்ற வாடிக்கையாளர்களில் 63% பேர், நான்கு வாரங்களுக்குள் பிந்தைய உரையாடல் ஒன்றில் அத்தகைய திறனை மீண்டும் பயன்படுத்தினர்.
இந்தப் புதிய மற்றும் புதுப்பிக்கப்பட்ட திறன்கள் பணிச் செயலாக்கத்தையும் ஒட்டுமொத்தச் செயல்திறனையும் எவ்வாறு பாதிக்கின்றன என்பதைக் கண்டறிவதே எங்கள் மதிப்பீடுகளின் நோக்கம்.
அதே சீரற்ற சோதனையின் முடிவுகள், கருவி அழைப்புத் தோல்விகளும் பயனர் அதிருப்தியும் குறைந்ததைக் காட்டுகின்றன. தானியங்கி திறன் மேம்பாடு கொண்ட பயனர்களுக்கு, அனைத்து Computer செயல்பாடுகளிலும் கருவி அழைப்புத் தோல்வி விகிதம் 11% குறைந்தது. அமைப்பின் சொந்தப் பின்னணி ஓட்டங்களைத் தவிர்த்தாலும், கருவி அழைப்புகள் சுமார் 7% குறைவாகவே தோல்வியடைந்தன; இது பயனரின் பணியில் நம்பகத்தன்மை மேம்பட்டதைக் குறிக்கிறது. ஒரு பயனருக்கான நடுத்தர/அதிக அதிருப்தி கொண்ட த்ரெட்களின் எண்ணிக்கையாக அளவிடப்பட்ட பயனர் அதிருப்தி 7.6% குறைந்தது. செலவிலோ பதில் நேரத்திலோ அளவிடக்கூடிய மாற்றம் எதுவும் காணப்படவில்லை. இந்த ஆரம்பகட்டச் சோதனைகள் நம்பிக்கையளிக்கும் முடிவுகளைக் காட்டுகின்றன; அமைப்பை மெருகேற்றி, சுய-மேம்பாட்டுத் திறன்களை மேலும் பல பயனர்களுக்கு வழங்கும்போது, காலப்போக்கில் இந்த மேம்பாடுகள் அதிகரிக்கும் என எதிர்பார்க்கிறோம்.
குறுகிய அமைப்புகளில் நடத்தப்பட்ட ஆஃப்லைன் சோதனைகளிலும் மேம்பாடுகள் பதிவாகியுள்ளன. ஒரு SkillLearnBench சோதனையில், ஒன்பது பணி வகைகள் ஒவ்வொன்றுக்கும் ஒரு தனிப்பட்ட திறனை உருவாக்க, Computer முந்தைய பணிச் செயல்தடங்களைப் பயன்படுத்தியது. 16 ஜோடி மதிப்பீட்டு நிகழ்வுகளில், பணி வெற்றி திறன்கள் இல்லாமல் 43.8%-இலிருந்து உருவாக்கப்பட்ட திறன்களுடன் 62.5% ஆக அதிகரித்தது; முந்தைய அனுபவத்திலிருந்து பெறப்பட்ட திறன்கள் மீண்டும் மீண்டும் செய்யப்படும் பணிகளில் செயல்திறனை மேம்படுத்த முடியும் என்பதற்கு இது சான்றாகும். உள்ளமைந்த திறன்கள் தொடர்பான ஒரு நேர்வு ஆய்வில், ஒரு மின்வணிகத் திறனில் செய்யப்பட்ட திருத்தங்கள் 32% குறைந்த செலவில் 6% தர உயர்வுக்கு வழிவகுத்தன; தரம் ஒரு தானியங்கி நடுவரால் அளவிடப்பட்டது.
முடிவுரை
சுய-மேம்பாட்டுத் திறன்கள், தான் செய்யும் பணியிலிருந்து கற்றுக்கொள்ள Computer-க்கு மற்றொரு வழியை வழங்குகின்றன. இது நடைமுறை நினைவகத்தை உருவாக்கிப் பராமரிக்கும் வகையில் Brain-ஐ விரிவுபடுத்தி, சிக்கலான பணிப்பாய்வுகளில் செயல்திறனை மேம்படுத்துகிறது. தானியங்கி திறன் மேம்பாடு ஏற்கெனவே திறன் பயன்பாட்டை அதிகரித்து, கருவித் தோல்வி விகிதங்களைக் குறைத்து, பயனர் அதிருப்தியையும் குறைத்துள்ளது.
தனிப்பட்ட திறன் மேம்பாடு இப்போது அமெரிக்காவில் உள்ள அனைத்து Max சந்தாதாரர்களுக்கும் கிடைக்கிறது. தகுதியுள்ள பயனர்களுக்கு இது இயல்பாகவே இயக்கத்தில் இருக்கும்; ஆனால் இதை முடக்கலாம். செருகுநிரல்கள் தாவல் கிடைக்கும் திறன்களைக் காட்டி, Brain உருவாக்கியவற்றை அடையாளப்படுத்தி, எந்தத் திறன்களை இயக்க வேண்டும் என்பதைப் பயனர்கள் தேர்வுசெய்ய அனுமதிக்கிறது.
அடுத்ததாக, பயனர்கள் எழுதிய திறன்கள், திட்டங்களுக்குள் பகிரப்படும் திறன்கள், நிறுவனத் திறன்கள் உள்ளிட்ட மேலும் பல திறன் வகைகளுக்கு மேம்பாட்டை விரிவுபடுத்துவோம். திருத்தங்கள் மேலும் நம்பகமான நடைமுறைகளுக்கும் சிறந்த முடிவுகளுக்கும் வழிவகுக்கும் வகையில், மேம்பாட்டுச் செயலாக்கத் தொடரையும் அதன் மதிப்பீடுகளையும் தொடர்ந்து மெருகேற்றுவோம்.
மேற்கோள்
@online{perplexity2026SelfImprovingSkills,
author = {{Perplexity} and Nicholas Bien and Se Won Jang and Kate Jung and Nikila Venkat and Jarrod Bryan and Claire Beamer and Jeremy Yang},
title = {{Self-improving skills}},
date = {2026-11-18},
url = {https://www.perplexity.ai/hub/blog/self-improving-skills}
}