Tencent Hunyuanning Hyra 2.0 tadqiqot agenti oqsilar, matematik isbotlar va chiplar bilan ishlash uchun vositalarni mustaqil yaratadi

Tencent Hunyuan oʻzining interaktiv dunyolarni yaratish uchun ochiq modeli boʻlgan Hy-Nomas haqida texnik hisobotni taqdim etdi hamda interaktiv video dunyo modellarini baholash uchun Hy-Nomas-Bench testlar toʻplamini chiqardi. Hisobot 27-oktabrda, kod va vaznlar dastlabki chiqarilishidan soʻng, yaʼnib joylashtirildi.

Hy-Nomas 8 milliard parametrli difuziya yadrosiga asoslangan video dunyo modelidir. Foydalanuvchilar uni bir nechta iteratsiyalar davomida erkin matnli koʻrsatmalar, uzluksiz kamera boshqaruvi yoki bu ikki usulning kombinatsiyasidan foydalanib boshqarishi mumkin. Model dunyoni segmentma-segment hosil qiladi, har bir yangi segmentni joriy kiritma va saqlangan tarixga bogʻlash orqali sahna vaqtinchalik izchilligini taʼminlaydi.

Hisobotga koʻra, asosiy tushuncha tuzilgan video legendalarini harakatlarni hisobga oladigan sabab-oqibat diqqat bilan uygʻunlashtirishdir. Tavsifiy kontekst segmentlar oraligʻida mavjud boʻlib, harakatlarga oid koʻrsatmalar faqat tegishli vaqt oraligʻiga qoʻllaniladi. Koʻrish va tilga asoslangan soʻrov yaxshilagichi foydalanuvchi soʻrovi va oʻzaro aloqa tarixini keyingi segment uchun tuzilgan shartlarga aylantiradi.

Oʻquv jarayoni koʻp bosqichli oʻquv dasturi boʻyicha amalga oshiriladi. U sababli generatsiyadan boshlanadi, soʻng matnli oʻzaro aloqa va kamera boshqaruviga oʻtadi, keyin model oʻzi yaratgan hikoyalar ustida oʻqitiladi va difuziya destillatsiyasi bosqichi bilan yakunlanadi. Destillelangan model atigi toʻrtdan sakkizgacha shovqinni yoʻqotish bosqichlarini talab qiladi. Inson baholashida jamoa Hy-Nomas mavjud dunyo modellaridan ustun kelganini qayd etdi.

Hy-Nomas-Bench 280 ta sinov ssenariysini oʻz ichiga oladi, ular toʻrtta vazifani qamrab oladi: koʻp bosqichli erkin matnli oʻzaro aloqa, kamera navigatsiyasi, matn va kamera boshqaruvining navbatlashuvi, shuningdek, fazoviy xotira. Ushbu toʻplam modelning ketma-ket koʻrsatmalarga amal qilish, jismonan mantiqiy javoblar yaratish, kamera harakatlarini aniq bajarish va kamera avval tashrif buyurilgan joyga qaytganida sahna izchilligini saqlab qolish qobiliyatini tekshiradi. Toʻplamga maslahatlar, tuzilgan legendalar, oʻzaro aloqa ketma-ketliklari va referans kamera traektoriyalari kiradi va Apache 2.0 litsenziyasi ostida chiqarilgan.

Modelning oʻzi ham Apache 2.0 litsenziyasi ostida tarqatiladi. Tencent oynakli oynaning tarixini va CPU ga yuklashni ishlatadigan bitta RTX 4090 da ishlaydigan INT8 konfiguratsiyasini, shuningdek, Diffusers payplayni, LoRA ni sozlash uchun kod va interaktiv veb-demonstratsiyani taqdim etadi. Chiqarilgan adapterlar orasida kinematografik LoRA va ikkiga qoʻl robotining haqiqiy maʼlumotlari asosida oʻqitilgan robototexnika uchun LoRA mavjud.

Ekosistema tashqarisidagi ishlab chiquvchilar allaqachon SGLang, ComfyUI va WanGP da qoʻllab-quvvatlashni integratsiya qilishdi, va jamoa tomonidan yaratilgan bitta namuna loyihasi Google TPUʼlarda real vaqt rejimida 720p hosil qilishni bildirdi.

Alibabaning Qwen jamoasi shaxsiy agent yaratish jarayonini tasvirlab berdi va sunʼiy intellekt yordamchilarining keyingi rivojlanishi uchta komponentning – model, xotira va xizmatlar ekotizimining muvaffaqiyatli ishlashiga bogʻliq ekanligini taʼkidladi. Qwen Alibaba biznes boʻlimidagi AI algoritmlari boshligʻi Jiang Guanjun bu konsepsiyani 22-oktabrda Chengdudagi Xitoy milliy kompyuter kongressida (CNCC) taqdim etdi.

Jiang AI ilovalari evolyutsiyasini uch bosqichga ajratdi: chat, agent va yordamchi. Chat bosqichida AI foydalanuvchilar soʻrovlariga javob beradi. Agent bosqichida tizim belgilangan vazifalarni bajaradi. Uning soʻzlariga koʻra, sanoat yoʻnalayotgan yordamchi kasbiy bilimni foydalanuvchining shaxsiy konteksti bilan birlashtiradi, foydalanuvchi maqsadlari atrofida harakatlarni rejalashtiradi va uning sezmayotgan ehtiyojlarini aniqlaydi. U haqiqiy shaxsiy agent qoʻshimcha qiymat keltirishi va proaktiv, individualizatsiya qilingan xizmat taklif qilishi kerakligini taʼkidladi.

U nazariy jihatdan shaxsiy agent ish, oʻqish va shaxsiy hayotdagi deyarli barcha kundalik muammolarni hal qila olishini taxmin qildi. Biroq, asosiy toʻsiq tizimning oʻz imkoniyatlarini har bir aniq muammoni hal qilishning optimal yoʻliga moslashtirish qobiliyatidir.

Modelni ishlab chiqish yondashuvi

Modelga kelsak, Qwen vazifalarni barqaror bajarishga eʼtibor qaratmoqda. Jamoa 30 dan ortiq yirik sohani qamrab oluvchi va uni model imkoniyatlariga oid 8000 dan ortiq atomik talablarga batafsil bayon etgan 'foydalanuvchi ehtiyojlari xaritasiʼni ishlab chiqdilar. Shu bilan birga, modelni baholash va sozlash uchun sanoat ekspertlari jalb qilindi.

Xotira mexanizmi

Jiang shaxsiy agent uzoq muddatli foydalanuvchi tushunishini taʼminlashi kerakligini, shunchaki chat tarixini toʻplashdan qochishi kerakligini taʼkidladi, chunki bu shovqin va hisoblash xarajatlarini oshiradi. Qwen oʻz xotirasini voqealar oʻzaro bogʻliqligi darajasiga asoslab quradi, ularni turli darajalarda saqlaydi va chiqarib oladi. Masalan, pensiya haqida gapirgan keksa foydalanuvchini eslagan yordamchi, shu oila bolaning ish izlashini soʻraganda yanada mos keladigan maslahat bera oladi.

Ekotizimning roli

Ekotizimga kelsak, Jiang modellar va boshqaruv usullari takomillashishi bilan tashqi xizmatlarni bogʻlash va muvofiqlashtirish qobiliyati hal qiluvchi ahamiyat kasb etadi. Qwen kasbiy bilimlar, vositalar, sanoat koʻnikmalari va uchinchi tomon agentlarini integratsiya qiluvchi modelga asoslangan ochiq xizmatlar tizimini yaratadi, shuningdek, uni elektron tijorat, mahalliy xizmatlar, sogʻliqni saqlash va taʼlim bilan bogʻlaydi.

Uning fikricha, bu uch element proaktiv xizmatni taʼminlash uchun birlashadi: xotira shaxsiy maʼlumotlarni taqdim etadi, model ehtiyojlarni aniqlash va rejalashtirish uchun ekspert bilimlaridan foydalanadi, ekotizim esa ishni amalga oshiradi, masalan, bemorning reabilitatsiya jadvalini kuzatib borish yoki foydalanuvchining moliyatasidagi yangi xatarlarni signal berish orqali. Ushbu hisobot Alibaba tomonidan bu oyda roʻyxatdan olingan Qwen Go! shaxsiy agentining texnik konsepsiyasi haqida eng batafsil jamoatchilik bayonotidir.

Tongyan Lingzhi kompaniyasi Pekin umumiy sunʼiy intellekt instituti (BIGAI) sanoat platformasining farqiy tuzilmasi boʻlib, shaxsiy AI konsepsiyasiga yondashuvini taqdim etdi. Bu yondashuv faqat soʻrovlar va maʼlumotlarni qidirishga tayanmasdan, aniq shaxs, loyiha yoki kompaniya maʼlumotlari asosida uzluksiz oʻrganadigan modellar yaratishni nazarda tutadi.

Bugungi kunda mavjud koʻpgina korporativ AI tizimlari tashqi foydalanuvchilarga moslashadi. Ular qoidalar oʻrnatish uchun soʻrovlardan foydalanadilar, qidiruv orqali hujjatlarni ajratib oladilar, holatni xotirada saqlaydilar va qayta ishlatiladigan bosqichlarni paketlaydilar. Biroq, modelning oʻzi oʻzaro aloqa paytida kamdan-kam hollarda oʻzgaradi.

Tongyan Lingzhi daʼvo qiladiki, barqaror odatlar, masalan, jamoaning muhandislik standartlari yoki investitsiya guruhining xavfni boshqarish disiplinasi bevosita model parametrlari ichiga integratsiya qilinishi mumkin. Kompaniyaning arxitekturasi umumiy bilimlar va fikrlashni qayta ishlash uchun umumiy asosiy modelni saqlashni nazarda tutadi, unga har bir alohida foydalanuvchi, loyiha yoki tashkilot uchun yengil LoRA shaxsiy adapterlari qoʻshiladi. Kompaniya bu individual imkoniyatlar asosiy model almashtirilgan taqdirda ham saqlanib qolishi kerakligini taʼkidlaydi.

Bu adapterlarni oʻqitishni saqlab turish uchun jamoa rekursiv oʻz-oʻzini takomillashtirish (RSI) mexanizmini ishlab chiqmoqda. Vazifalar izlanmalari, inson tomonidan tuzatishlar va olingan natijalar oʻquv uchun potentsial maʼlumotlar boʻladi. Har bir foydalanuvchi yoki kompaniya standartlariga sozlanadigan maxsus baholovchi, inkremental LoRA yangilanishi kiritilishidan oldin oʻrganilishi kerak boʻlgan signallarni tanlab oladi. Yangilangan model keyin shu vazifalarda avvalgi versiya kabi ishga tushiriladi va faqat yaxshilanishlar ish muhitiga chiqariladi, regressiyalar esa bekor qilinadi.

Texnik direktor Chu Binbin taʼkidlaganidek, bitta chetga chiqqan variant shunchaki signaldir va faqat takrorlanuvchi naqshlar oʻquv maʼlumotlari boʻlishi kerak. Bundan tashqari, kompaniya minglab bunday adapterlarni mavjud qilish imkonini beradigan infratuzilmani yaratish ustida ishlamoqda. TIP tizimi bir xil GPUlar ustida oʻqitish va inferensni parallel ravishda bajaradi, Paged LoRA esa adapter xotirasini sahifalar orqali boshqaradi. Qwen2.5-72B-Instruct dan foydalangan holda sakkizta Nvidia H800 GPU va 5,79 GB adapter xotira byudjeti bilan oʻtkazilgan bir sinov bosqichida, Paged LoRA, LoRA soʻrovlari trafikning 1% dan 30% gacha boʻlgan holatida, tekis sxemaga qaraganda yaxshiroq kechikish va «quyinda» xatti-harakatni namoyish etdi, ammo 50% ga yetganda samaradorlik pasaydi.

Tongyan Lingzhi ishning dastlabki bosqichda ekanligini tan oladi. RSI ning texnik yoʻli va mahsulot arxitekturasi aniqlangan va modullar dizayn bosqichida boʻlsa-da, toʻliq avtomatlashtirilgan oʻquv sikli hali ham ishlab chiqilmoqda. Ochiq muammolar orasida katastrofik unutish, qayta aloqani ifloslantirish va modelning suzib ketishi qolmoqda.