Kertas keren dari Meta. Dan aplikasi lain yang sangat baik dari sistem multi-agen. (tandai) Melatih model AI modern membutuhkan sejumlah besar data berkualitas tinggi. Namun, kemacetan bukan hanya kuantitas. Datanya tidak cukup beragam. Model tunggal yang menghasilkan data sintetis cenderung menghasilkan output yang homogen, pola berulang, dan tidak memiliki variasi bernuansa yang ditemukan dalam kumpulan data buatan manusia. Penelitian baru dari Meta ini memperkenalkan Matrix, kerangka kerja peer-to-peer di mana beberapa agen AI secara kolaboratif menghasilkan data pelatihan sintetis melalui interaksi terdesentralisasi. Matrix mencapai throughput pembuatan data 2–15× lebih tinggi di bawah sumber daya perangkat keras yang identik, tanpa mengorbankan kualitas output. TL; DR: Alih-alih satu model menghasilkan data, agen khusus memainkan peran yang berbeda dan berinteraksi satu sama lain. Yang satu mengajukan pertanyaan, yang lain menjawab, yang ketiga mengevaluasi kualitas. Percakapan multi-putaran ini menangkap penalaran yang kompleks dan perspektif yang beragam. Apa yang membuat Matrix berbeda: tidak ada koordinator pusat. Agen berkomunikasi langsung dalam arsitektur yang sepenuhnya terdesentralisasi. Hal ini memungkinkan skalabilitas tanpa hambatan infrastruktur. Kerangka kerja ini beroperasi melalui protokol percakapan berbasis peran, pola interaksi multi-giliran, dan pemfilteran kualitas bawaan di setiap tahap. Hanya data yang memenuhi ambang batas kualitas yang masuk ke dalam set pelatihan akhir. Kolaborasi multi-agen menghasilkan data sintetis yang lebih beragam daripada pendekatan model tunggal. Himpunan data yang dihasilkan meningkatkan kinerja model hilir di seluruh tolok ukur penalaran dan mengikuti instruksi.