Artigo interessante da Meta. E outra excelente aplicação de sistemas multi-agente. (adicione aos favoritos) Treinar modelos de IA modernos requer enormes quantidades de dados de alta qualidade. No entanto, o gargalo não é apenas a quantidade. Os dados simplesmente não são diversos o suficiente. Modelos únicos que geram dados sintéticos tendem a produzir saídas homogéneas, repetindo padrões e carecendo da variedade nuançada encontrada em conjuntos de dados criados por humanos. Esta nova pesquisa da Meta apresenta o Matrix, uma estrutura peer-to-peer onde múltiplos agentes de IA geram colaborativamente dados de treinamento sintéticos através de interações descentralizadas. O Matrix alcança uma taxa de geração de dados 2–15× maior com recursos de hardware idênticos, sem comprometer a qualidade da saída. Resumo: Em vez de um modelo produzir dados, agentes especializados desempenham papéis distintos e interagem entre si. Um faz perguntas, outro responde, um terceiro avalia a qualidade. Essas conversas em múltiplas etapas capturam raciocínios complexos e perspectivas diversas. O que torna o Matrix diferente: sem coordenador central. Os agentes comunicam-se diretamente em uma arquitetura totalmente descentralizada. Isso permite escalabilidade sem gargalos de infraestrutura. A estrutura opera através de protocolos de conversa baseados em papéis, padrões de interação em múltiplas etapas e filtragem de qualidade embutida em cada fase. Apenas os dados que atendem aos limiares de qualidade entram no conjunto final de treinamento. A colaboração multi-agente produz dados sintéticos mais diversos do que abordagens de modelo único. Os conjuntos de dados resultantes melhoram o desempenho do modelo em benchmarks de raciocínio e seguimento de instruções.