محققان متا یک مدل هوش مصنوعی 8B را برای مطابقت با Claude Opus 4.5 - بدون برچسب قیمت مرزی آموزش دادند.
یک عامل هوش مصنوعی را در نظر بگیرید که وظیفه دارد یک گردش کار پیچیده سازمانی مانند انتقال دسته های عظیم سوابق مشتری از یک CRM قدیمی به یک پایگاه داده ابری را بر عهده دارد. عامل نمی تواند صرفا به پنجره زمینه داخلی خود برای یک کار در طول ساعات کاری تکیه کند و به لایه زمان اجرا، معروف به مهار بستگی دارد. این مهار بازخورد اجرا مانند گزارشهای سرور را ارائه میدهد تا به عامل کمک کند تا درک دقیقی از API پویا داشته باشد…
خواندن متن کامل در ونچربیتبه زبان اصلی، در سایت ناشر باز میشودمتن اصلی (انگلیسی)
Meta researchers taught an 8B AI model to match Claude Opus 4.5 — without the frontier price tag
Consider an AI agent tasked with a complex enterprise workflow like migrating massive batches of customer records from a legacy CRM to a cloud database. The agent cannot rely solely on its internal context window for a job spanning hours and depends on the runtime layer, aka the harness. This harness provides execution feedback, like server logs, to help the agent maintain an accurate understanding of dynamic API…