Tucatnyi kutatást mutat be az ICML 2026-on a Together AI — új ügynökrendszerrel gyorsítanának

A cég szerint a hatékony AI-fejlesztés kulcsa, hogy minden réteg – az ügynököktől a GPU-kernelekig – képes legyen lépést tartani a többi fejlődésével. Az Aurora, az adaptive speculative decodingről szóló ICML-cikkük is ezt a megközelítést példázza, mivel a kutatás eredményei már ma is beépültek a gyártásban használt ATLAS speculatorba.

Ügynökök képességei és értékelése

A Together AI kutatásai az ügynökök képességeire összpontosítanak, olyan feladatokon mérve őket, amelyeket nem lehet manipulálni. A DSGym keretrendszer több mint 1000 feladatot kínál 10+ doménben, egységes értékelési és képzési API mögé rendezve. A ThunderAgent akár 3,6-szer gyorsabb ügynök-inferencia-átvitelt ér el, míg a TTT-Discover egy nyílt modellel múlja felül az emberi teljesítményt egy teljesítményteszten.

Kapcsolódó: Nemotron 3 architektúra

Modellfejlesztés és optimalizálás

A RARO (Relativistic Adversarial Reasoning Optimization) 25%-os győzelmi arányt ér el szakértői válaszokkal szemben, anélkül, hogy verifikálóra támaszkodna. A V1 modell akár 10%-kal növeli a válaszok helyességét. Az Aurora adaptive speculative decoding akár 1,25-szeres sebességnövekedést tesz lehetővé az adatforgalom eltolódásakor.

Kapcsolódó: LLM kutatási eredmények

Rendszer- és kerneloptimalizálás

Az Untied Ulysses egyetlen csomóponton 5 millió tokenes kontextust tesz lehetővé, míg az OEA akár 39%-kal gyorsabb MoE dekódolást biztosít. A ParallelKernelBench 87 multi-GPU kernel feladatot benchmarkol. A cég közölte, hogy több mint 40 modellt választottak ki gyártásra a Together platformon.

Kapcsolódó: LLM kutatás összefoglaló