IBM parodė, kad atvirų modelių AI agentai gali sumažinti lustų projektavimo paieškos kaštus daugiau nei 11 kartų
Trumpai: IBM Research naudojo koordinuotą kelių agentų „agentų gamyklą“, kad ištirtų aparatinės įrangos optimizavimo galimybes kvantinio klaidų taisymo dekoderiui, lygindama patentuotus ir atvirus pirmaujančius modelius pagal tą patį 100 hipotezių paieškos biudžetą. Atviro modelio konfigūracija, veikianti vietoje per IBM „llm-d“ paskirstyto išvedimo sistemą, pasiekė 52 kartų pagreitį lyginant su baziniu projektu, o tai kainavo apie 26 JAV dolerius išvedimo išlaidų, palyginti su 299 doleriais patentuoto modelio konfigūracijai, kuri pasiekė didesnį, 204 kartų, pagreitį. Tyrimas parodo, kad talpyklos pažinimu paremtas maršrutizavimas ir efektyvus aptarnavimas (98 % priešdėlio talpyklos pataikymų rodiklis, ~0,11 USD už milijoną žetonų) padarė atvirų modelių metodą gerokai pigesnį, vis tiek rasdamas tinkamus, kompaktiškus aparatinės įrangos sprendimus.
Šią santrauką automatiškai parengė dirbtinis intelektas pagal „IBM Research“ publikaciją. Tai mūsų tekstas, ne originalo kopija — faktai, skaičiai ir citatos priklauso šaltiniui, kurio nuoroda pateikta viršuje ir apačioje.
Kas pasikeitė?
- 1Agentų gamykla naudojo koordinatoriaus agentą ir keturis lygiagrečius darbinius agentus, tiriančius lustų projektavimo variantus pagal 100 hipotezių biudžetą
- 2Atviro pirmaujančio modelio konfigūracija: 52x pagreitis, ~26 USD išvedimo kaštai, ~241 mln. žetonų
- 3Patentuoto pirmaujančio modelio konfigūracija: 204x pagreitis, ~299 USD išvedimo kaštai, ~216 mln. žetonų (11,5 karto brangiau nei atviras variantas)
- 4Hibridinė konfigūracija naudojo patentuotą koordinatorių su atvirų modelių darbiniais agentais
- 5Pratęsus atviro modelio paiešką nuo 100 iki 200 hipotezių, pagreitis išaugo nuo 52x iki 60x, rodant mažėjančią grąžą
- 6„llm-d“ sistema pasiekė ~98 % priešdėlio talpyklos pataikymų rodiklį ir ~0,11 USD už milijoną žetonų derinto aptarnavimo kaštą bendrai naudojamoje infrastruktūroje
Kodėl tai svarbu?
Tai rodo, kad atvirų svorių modeliai kartu su efektyviu vietiniu paskirstytu išvedimu gali gerokai sumažinti didelio masto agentinio paieškos darbo (šimtai milijonų žetonų) kaštus, palyginti su patentuotomis API, vis tiek duodant naudingus rezultatus – tai aktualu bet kuriai organizacijai, vykdančiai didelę, iteracinę daugiaagentę paiešką ar patikrinimo procesus, ne tik lustų projektavimui.
Ką tai reiškia AI agentams ir kontaktų centrams?
Nors tai lustų projektavimo tyrimas, o ne balso AI, pagrindinė pamoka apie ekonomiškai efektyvų daugiaagentį orkestravimą ir talpyklos pažinimu paremtą paskirstytą išvedimą (per „llm-d“) yra svarbi informacija bet kuriai komandai, vykdančiai didelio masto agentinius procesus su daug lygiagrečių samprotavimo užklausų, nes panašūs aptarnavimo optimizavimai galėtų sumažinti kaštus sudėtingiems agentiniams darbams su įrankių kvietimu ir iteraciniu tikrinimu.
Šaltiniai
- IBM ResearchOficialusPirminis šaltinisOriginalus straipsnis →„Scaling AI-driven chip design with open agent factories“2026-10-13 15:00
- Šaltinio publikavimo data
- 2026-10-13 15:00
- Mūsų sistema rado
- 2026-10-13 15:11
- Santrauka sugeneruota
- 2026-10-13 15:14
Straipsnį pagal originalų šaltinį parašė AI. Faktai, skaičiai ir kainos — iš šaltinio; trūkstamos reikšmės pažymėtos „Nėra oficialių duomenų“. Teisinė informacija, autorių teisės ir privatumas