Önfejlesztő adatgyártó rendszert mutatott be a Meta

A Meta új kutatása, az Autodata, gyökeresen megváltoztatja a szintetikus adatok előállításának eddigi gyakorlatát. A hagyományos módszerekkel szemben, ahol az adatokat statikus recept alapján generálják, az Autodata egy AI-ügynököt alkalmaz, amely kutatási ciklusokban fejleszti a tananyagot. Az ügynök példákat hoz létre, teszteli azokat, elemzi a hibákat, frissíti a receptet, majd megismétli a folyamatot.

Ezzel a megközelítéssel az adatgenerálás maga is egy dinamikus, „ügynöki” folyamattá válik. Ahelyett, hogy egy erős modellre bíznák a feladatot, és reménykednének a hasznos eloszlásban, az Autodata egy miniatűr kutatási ciklusban dolgozik. Ez a megközelítés megfordítja a korábbi nézetet, amely az adatokat csupán egy statikus, előkészítő erőforrásnak tekintette.

Kapcsolódó: Autodata keretrendszer

Mire képes a modell

A kutatás, amelynek eredményeit az arXiv-on publikálták (arXiv:2606.25996), azt ígéri, hogy az AI-ügynökök képesek lesznek kiváló minőségű képzési és értékelési adatok létrehozására. A Meta szerint ez a módszer „tolja a határait” a szintetikus adatok generálásának, bár a pontos teljesítménynövekedést más módszerekkel szemben még nem erősítették meg független források.

Kapcsolódó: AI dinamikus viselkedés

Kutatási keretrendszer

Az Autodata keretrendszerét az Agentic Self-Instruct nevű instanciával demonstrálják, amely az autoresearch vagy meta-harness stílusú optimalizálást használja. Ez a megközelítés az ügynök képességeinek finomhangolását célozza azáltal, hogy az adatminőség javítását használja az optimalizáció irányítására. A kutatás célja, hogy az AI-modellek ne csak a tananyagot dolgozzák fel, hanem aktívan részt vegyenek annak létrehozásában és tökéletesítésében is.

Kapcsolódó: Transformer architektúra