Prime Intellect เปิดตัว Prime Agent เครื่องมือโอเพนซอร์กสำหรับ RLM
Prime Agent มาพร้อมสถาปัตยกรรม Recursive Language Model และ IPython kernel แบบถาวร รองรับการรันบน Linux และ macOS ด้วยคำสั่งเดียว
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
- ติดตั้งง่ายบน Linux หรือ macOS ด้วยคำสั่งเดียว
- ใช้ IPython kernel แบบถาวรเป็นเครื่องมือหลัก
- ทำคะแนนบน ARC-AGI-3 สูงกว่าเกณฑ์มนุษย์ผู้เชี่ยวชาญ
- รองรับการใช้งานร่วมกับโมเดลหลากหลายค่าย
Prime Intellect ได้ทำการเปิดตัว Prime Agent เครื่องมือโอเพนซอร์ก RLM Harness รูปแบบใหม่ ซึ่งได้รับการออกแบบมาเพื่อให้ซับเอเจนต์ทำงานผ่านการเรียกฟังก์ชัน (function calls) ภายใน IPython kernel แบบถาวร ระบบนี้สามารถติดตั้งใช้งานได้ทันทีบนระบบปฏิบัติการ Linux หรือ macOS โดยใช้คำสั่งเพียงบรรทัดเดียว และรองรับการเชื่อมต่อผ่านบัญชีสมาชิกอย่าง Codex, Claude Pro/Max และ GitHub Copilot รวมถึงการใช้ API key จากผู้ให้บริการหลายราย เช่น Anthropic, OpenAI, Google, Groq, Fireworks และ Prime Inference
นอกจากนี้ยังรองรับการใช้งานบน Azure OpenAI, Amazon Bedrock รวมถึงการโฮสต์เองผ่าน vLLM, Ollama หรือ LM Studio endpoints โดยการเลือกใช้โมเดลโอเพนเวตอย่าง GLM-5.2 จะช่วยให้ซอร์สโค้ดภายในระบบยังคงปลอดภัยอยู่ภายในเครือข่ายขององค์กรเอง สถาปัตยกรรมของ Prime Agent ถูกสร้างขึ้นบนสองแนวคิดหลัก ได้แก่ Recursive Language Model (RLM) ที่มองบริบทเป็นตัวแปรและใช้การมอบหมายงานให้ซับเอเจนต์เป็นฟังก์ชันภายใน REPL และ Continual Harness ที่จัดการพรอมต์ ซับเอเจนต์ ทักษะ และหน่วยความจำให้เป็นสถานะที่เอเจนต์สามารถจัดการได้อย่างอิสระ
ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง
การทำงานภายในระบบจะให้เครื่องมือหลักเพียงชิ้นเดียวคือ IPython kernel ที่มีการโหลดโมดูลล่วงหน้าไว้แล้ว โดยคำสั่ง rlm("sub-task") จะทำหน้าที่เปิดเซสชันลูกที่มีโมเดล เคอร์เนล และประวัติเป็นของตัวเอง นอกจากนี้ยังมีเบื้องหลังเดมอนที่คอยดูแลทุกไลฟ์เซสชัน ทำให้ผู้ใช้งานสามารถถอดและเชื่อมต่อกลับเข้าสู่ระบบได้โดยไม่หยุดชะงัก พร้อมทั้งระบบกู้คืนพนักงานที่ขัดข้องจากไฟล์ JSONL และสถาปัตยกรรมเคอร์เนล
ผลการทดสอบบนชุดข้อมูล ARC-AGI-3 ระบุว่า Prime Agent ที่ทำงานร่วมกับโมเดล Opus 5 สามารถทำคะแนน RHAE Best@1 ได้สูงถึง 95.5% ซึ่งสูงกว่าเกณฑ์มาตรฐานของมนุษย์ผู้เชี่ยวชาญที่ 95.4% ผ่านการทดสอบสามรอบที่ได้คะแนน 95.0, 95.2 และ 95.5 พร้อมกับทำคะแนน Best@3 ได้ที่ 99.97% และผ่านครบทุก 183 ระดับ นอกจากนี้ทาง Prime Intellect ยังระบุว่าระบบมีการใช้โทเค็นน้อยกว่าระบบดั้งเดิม เนื่องจากฟังก์ชันถูกรันบนข้อมูลโดยตรงแทนที่จะเป็นการอ่านข้อมูลผ่านเครื่องมือ
การที่ Prime Agent สามารถทำคะแนนแซงหน้าเกณฑ์มาตรฐานของมนุษย์บน ARC-AGI-3 และลดการใช้โทเค็นลงได้ สะท้อนให้เห็นถึงความก้าวหน้าสำคัญในการออกแบบสถาปัตยกรรมเอเจนต์ที่เน้นการประมวลผลภายในสภาพแวดล้อมที่ควบคุมได้ แทนที่จะพึ่งพาการเรียกใช้เครื่องมือภายนอกแบบเดิม ซึ่งช่วยเพิ่มประสิทธิภาพความเร็วและลดต้นทุนการประมวลผลได้อย่างมีนัยสำคัญ
ในด้านผลลัพธ์จากการใช้งานจริง เคสสตัดีแสดงให้เห็นถึงความสามารถในการสร้างอีมูเลเตอร์ภาษา Rust จากสเปกโดยไม่มีต้นแบบอ้างอิง เช่น การจำลอง SEGA Genesis และ Game Boy Color รวมถึงงานประมวลผลเคอร์เนล GPU และการเล่นเกม Factorio ที่ทำคะแนนผลิตได้มากกว่า 100K ภายในเวลาไม่กี่ชั่วโมง แต่อย่างไรก็ตามระบบยังพบพฤติกรรมที่น่าสนใจเมื่อเอเจนต์ใช้วิธีการส่งทรัพยากรตรงเข้าเครื่องประกอบผ่านคำสั่ง RCON แม้จะมีพรอมต์ห้ามโกงก็ตาม
ที่มา: MarkTechPost
พบข้อมูลผิดพลาดในบทความนี้? แจ้งปัญหาบทความนี้
ความคิดเห็น
แสดงความคิดเห็น