Պրեպրինտն առաջարկում է թեստային փուլում հարմարեցում՝ AI գործակալի աշխատանքային ընթացքի փոփոխման միջոցով
arXiv-ի նոր պրեպրինտի հեղինակներն առաջարկում են «harness learning» մոտեցումը՝ մոդելի ուսուցում, որը գործարկման արձագանքների հիման վրա փոփոխում է լեզվական մոդելի գործակալի աշխատանքային կառուցվածքը։ Նրանք նշում են առաջընթացի մասին տրամաբանական դատողությունների ու բազմաքայլ հարցուպատասխանի առաջադրանքներում և հարմարեցման փոխանցում նոր առաջադրանքներին, սակայն տրամադրված նյութը չի պարունակում թվային ցուցանիշներ, համեմատություններ, բաց կոդ, գրախոսություն կամ անկախ վերարտադրելիության տվյալներ։
Այս թողարկումն անցել է «Իմանանք»-ի հրապարակման ընդլայնված ստուգումները: Որոշ էական պնդումներ շարունակում են հստակ վերագրվել պաշտոնական կամ ընկերության աղբյուրներին, քանի որ այս թողարկմանը դեռ անկախ աղբյուր կցված չէ: Համակարգը շարունակում է ստուգել հաստատված աղբյուրները և անկախ հաստատումը կավելացնի միայն ամբողջական ստուգում անցած նոր թողարկմամբ:
arXiv-ում ներկայացված նոր պրեպրինտում առաջարկվում է «harness learning» մեթոդը, ըստ որի՝ լեզվական մոդելի վրա հիմնված գործակալը թեստային փուլում կարող է հարմարվել՝ փոփոխելով իր գործարկվող աշխատանքային ընթացքը, այլ ոչ թե մոդելի պարամետրերը։ Հեղինակների բնորոշմամբ՝ այդ աշխատանքային շրջանակը (harness) կանոնակարգում է մոդելի կանչերը, գործիքների օգտագործումն ու տեղեկատվական հոսքերը։ [1]
01
Ինչ գիտենք այս պահին
- 01
[1] arXiv-ի առաջնային սկզբնաղբյուր, «Harness Learning Enables Generalizable Test-Time Adaptation», ներկայացվել է 2026 թ. սեպտեմբերի 28-ին՝ https://arxiv.org/abs/2609.35738v1։
- 02
Տրամադրված ամբողջական սկզբնաղբյուրը սահմանափակվում է arXiv-ի էջով և սեղմագրով. այն փաստում է պրեպրինտի հրապարակումը և մեթոդի ու փորձերի նկարագրությունները ներկայացնում որպես հեղինակային պնդումներ։
02
Ինչն է փոփոխվում հարմարեցման ժամանակ
Հեղինակները նկարագրում են գործարկվող կառուցվածքի (harness) վերանայումը, որը համակարգում է մոդելի կանչերը, գործիքների կիրառումն ու տեղեկատվական հոսքը։Ինչն է մնում անփոփոխ թեստային փուլում
Սեղմագրի համաձայն՝ կատարելագործումը տեղի է ունենում առանց պարամետրերի մակարդակում թարմացման։Նշված փորձարկումների ոլորտները
Հեղինակները հայտնում են տրամաբանական դատողությունների և բազմաքայլ հարցուպատասխանի ուղղությամբ արված փորձարկումների մասին։Ընդհանուր տարբերակումը ներկայացված է ըստ հեղինակների սեղմագրի և չի հանդիսանում անկախ գնահատական։ [1]
03
Ինչ է առաջարկում հոդվածը
Հեղինակներն առաջարկում են ուսուցանել առաջարկություններ գեներացնող առանձին մոդել (proposer), որը խնդիրների կատարման արձագանքների (feedback) հիման վրա փոփոխում է հիմնական գործակալի (solver) աշխատանքային կառուցվածքը։ Նրանք սա բնորոշում են որպես մետա-ուսուցում գործարկվող ծրագրերի նկատմամբ, որտեղ կառուցվածքային փոփոխությունները կատարում են այն նույն դերը, ինչ կշիռների թարմացումը գրադիենտային հարմարեցման ժամանակ։ [1]
- Պրեպրինտը վերնագրված է «Harness Learning Enables Generalizable Test-Time Adaptation» և arXiv-ում նշված է Էլվին Չժանի ու ութ համահեղինակի անունով։ [1]
- Լեզվական մոդելի գործակալը դիտարկվում է որպես մոդելի և գործարկվող կառուցվածքի (harness) համադրություն։ Ըստ հեղինակների՝ հենց այդ կառուցվածքն է սահմանում մոդելի կանչերի, գործիքների և տեղեկատվության կազմակերպման ձևը։ [1]
04
Ինչ է փոխվում թեստավորման փուլում
Սա աշխատանքային ընթացքի մակարդակում հարմարեցման մոդել է։ Խնդրի կատարման ընթացքում հիմնական մոդելի նոր կշիռներ ձեռք բերելու փոխարեն՝ հեղինակներն առաջարկում են փոփոխել նրա շուրջ գործող ծրագիրը՝ կանչերի, գործիքների և տեղեկատվական հոսքերի հաջորդականությունն ու դասավորությունը։ Տրամադրված աղբյուրում բացակայում են ներդրման այն մանրամասները, որոնք անհրաժեշտ են արտադրական միջավայրում (production) համակարգի աշխատանքը գնահատելու համար։ [1]
- Հեղինակների փոխանցմամբ՝ proposer մոդելն ուսուցանվում է ամրապնդմամբ ուսուցման (RL) միջոցով, որտեղ որպես պարգևատրում օգտագործվում է փոփոխված կառուցվածքի արդյունավետությունն առաջադրանքներում։ [1]
- Նրանց պնդմամբ՝ թեստավորման ժամանակ նոր առաջադրանքի հաջորդական գործարկումների արձագանքների շնորհիվ մոդելը կարող է կատարելագործել կառուցվածքն առանց պարամետրերի մակարդակում փոփոխությունների։ [1]
- Սեղմագրում նշվում է, որ մեկ փոփոխության վրա ուսուցանված քաղաքականությունները կարող են շարունակել բարելավել կառուցվածքը մի քանի փուլով, մինչդեռ հաջորդական փոփոխությունների վրա ուսուցանելու արդյունավետությունը կախված է կոնկրետ պայմաններից։ [1]
05
Ինչ են հաստատում փաստերը և ինչը՝ ոչ
Այս արդյունքները հեղինակների կողմից սեղմագրում ներկայացված պնդումներ են։ Տրամադրված առաջնային աղբյուրը չի պարունակում թվային տվյալներ, համեմատական մեթոդներ, վիճակագրական մանրամասներ կամ անհաջող դեպքերի նկարագրություններ, որոնք թույլ կտային գնահատել նշված արդյունքների ծավալն ու հավաստիությունը։ Բացակայում են նաև անկախ գնահատման կամ արդյունքների կրկնելիության ապացույցները։ [1]
06
Ինչու է սա կարևոր
Արհեստական բանականության գործակալների հետազոտություններին հետևողների համար աշխատանքը ձևակերպում է ճարտարապետական առանձին հարց՝ արդյոք գործակալը նոր առաջադրանքում կարող է դառնալ ավելի արդյունավետ՝ փոխելով իր գործարկվող շրջանակը (orchestration), այլ ոչ թե մոդելի պարամետրերը։ Տրամադրված տվյալների շրջանակում սա հետազոտական ուղղություն է, այլ ոչ թե ապացուցված համընդհանուր հնարավորություն։ Հիմնական աղբյուրը ներկայացված է ստորև՝ arXiv-ի հղումով։ [1]
- Սկզբնաղբյուր՝ arXiv, «Harness Learning Enables Generalizable Test-Time Adaptation»։ [1]
07
Ինչպես ուսումնասիրել պրեպրինտը
Աշխատանքը դիտարկեք որպես վաղ փուլի հետազոտական վարկած, այլ ոչ թե գործնականում ստուգված մեթոդ։
- 01
Ծանոթացեք arXiv-ի սկզբնաղբյուրին և մոտեցումը գնահատելիս ամբողջական հոդվածում ստուգեք թեստային արդյունքները, բազային համեմատությունները, ծախսերն ու անհաջող ելքերը։
- 02
Միայն սեղմագրի (abstract) հիման վրա մի ենթադրեք գրախոսության, կրկնելիության, բաց կոդի կամ համատարած արդյունավետության առկայություն։
- 03
Տարբերակեք գործակալի գործարկվող աշխատանքային ընթացքի փոփոխությունները հիմքում ընկած մոդելի պարամետրերի թարմացումներից։
08
Այս թողարկման սահմանափակումները
Սա 2026 թ. սեպտեմբերի 28-ին arXiv ներկայացված պրեպրինտ է և գրախոսված գիտական հոդված չէ։ [1]
Տրամադրված տվյալները չեն պարունակում բենչմարքերի միավորներ, բազային համեմատություններ, վիճակագրական վերլուծություն, հաշվողական ծախսեր, անհաջող դեպքեր կամ անկախ վերարտադրելիության փաստեր։ [1]
Հասանելի աղբյուրները չեն հաստատում բաց սկզբնական կոդի, տվյալների բազաների կամ այլ փորձարարական նյութերի առկայությունը։ [1]
SRC
Աղբյուրների բաժին
Ուղիղ հղումներ այս ընտրանու հիմքում եղած նյութերին: Աղբյուրը տեսնելը նույնքան կարևոր է, որքան սինթեզն ընթերցելը:
Շարունակել ընթերցումը
15 սեպ, 2026 թ.
Nuha-Speech. ինչ է հայտնում արաբերեն speech-LLM-ի մասին նախատպվածքը, և ինչը դեռ հայտնի չէ
Nuha-Speech-ը arXiv-ի նախատպվածք է, որը նկարագրում է արաբերեն speech-LLM-ների հետազոտական նախաձեռնություն: Հեղինակները նշում են խոսքային հարցուպատասխանի շտեմարանի (ավելի քան 1.5 միլիոն ուսուցողական նմուշով), Qwen-Omni-ի տարբերակների վերահսկվող լրացուցիչ ուսուցման և գնահատման համակարգի մասին: Հասանելի առաջնային գրառումը չի հաստատում գրախոսման առկայությունը, նյութերի հանրային հասանելիությունը, արդյունավետության ցուցանիշները կամ անկախ վերարտադրումը:
12 սեպ, 2026 թ.
Նախատպագիրը հայտնում է Mixture-of-Experts մոդելներում կրկնվող տվյալներից արդյունավետության ավելի արագ անկման մասին
Չգրախոսված arXiv նախատպագիրը հայտնում է, որ հեղինակների փորձարկումներում MoE լեզվական մոդելներն ուսուցման տվյալների կրկնության նկատմամբ ավելի խոցելի են եղել, քան խիտ մոդելները: Հեղինակները նշում են, որ ռեգուլյարիզացիան մեղմել է ազդեցությունը, սակայն չի հավասարվել բացառապես եզակի տվյալներով ուսուցմանը: Արդյունքը պահանջում է ավելի լիարժեք մեթոդաբանական դիտարկում և անկախ վերարտադրում:
6 սեպ, 2026 թ.
Նախատպությունն առանձնացնում է prompt-երի բազմազանությունը և օպտիմիզացման արագությունը լեզվական մոդելների distillation-ում
arXiv-ի նոր նախատպության հեղինակները նշում են, որ բազմազան հարցումները կարող են արագ ծածկել լրիվ տվյալներով on-policy distillation-ի բազմաթիվ rollout վիճակներ, մինչդեռ ուսուցչին համապատասխանեցումը դեռ պահանջում է հարյուրավոր քայլեր։ Արդյունքները հուշում են, որ տվյալների բազմազանությունն ու վիճակների հասանելիությունը կարող են տարբերվել դրանք յուրացնելու օպտիմիզացիոն աշխատանքից, սակայն պնդումը նախնական է և վերարտադրման կարիք ունի։