Claude Agenti se v experimentu začali mezi sebou rvát
Experiment popisuje, jak se agenti v multiagentních systémech koordinují při řešení úkolů. Při testování vulnerability detection si agenti efektivně specialízují a učí se od sebe navzájem. Při vývoji webové hry však agenti starších modelů vykazují špatnou koordinaci – například neuměřeně otevírají pull requesty, které nemergeují, a pracují v izolaci bez sdílení kódu.
Zajímavý experiment, kde chování dost připomíná to lidské.
Jak se agenti vzájemně motivují ke spolupráci?
Výsledky ukazují, že agenti nejsou automaticky motivováni ke spolupráci – v experimentu s vývojem hry se starší modely velmi špatně koordinovaly, i když měly přístup ke sdíleným zdrojům. Zdá se, že schopnost efektivní spolupráce mezi agenty se s novějšími modely zlepšuje, ale zůstává to výrazně horší než u lidských týmů.
Jaký je rozdíl mezi paralelními agenty a koordinovaným rojem?
Paralelní agenti pracují nezávisle na sobě, každý v přiděleném prostoru, což je jednoduché a efektivní pro vysoce paralelizovatelné úkoly. Koordinovaný roj si může volit, na čem pracovat, specialízovat se a učit se od ostatních, ale vyžaduje schopnost efektivní komunikace a rozhodování o sdílených zdrojích.
Proč nižší modely selhávají v týmové práci?
Starší modely (Sonnet 4.6, Opus 4.6) mají potíže se správou sdílených zdrojů a nemergeují své pull requesty, což naznačuje nedostatečnou schopnost porozumět výsledkům ostatních agentů a dosaženého konsenzu. Novější modely se v tomto ohledu výrazně zlepšují.
- Umělá inteligence začíná zrychlovat svůj vlastní pokrok — openai.com 78 % shoda
- LFM2.5-2.6B malý a dostatečně chytrý AI lokální model — liquid.ai 78 % shoda
- Porozumění je nové úzkým místem práce s AI agenty — geoffreylitt.com 77 % shoda
- Anthropic16
- Claude Mythos Preview
- Claude Opus 4.83
- Claude Sonnet 5
- Claude Sonnet 4.6
- Claude Opus 4.6
- Project Glasswing
- multiagentní systémy