🤖 معرفی Agent 0: خودآموزی کامل عامل‌های هوش مصنوعی بدون استفاده از داده‌های بیرونی
🔍 ایدهٔ اصلی:
در Agent 0 دو عامل «معلم» و «حل‌کننده» به‌صورت خودمختار برای یکدیگر مسئله طراحی می‌کنند، آن را حل می‌کنند و از طریق این فرایند رقابتی–تکاملی، توانایی‌های همدیگر را ارتقا می‌دهند. این سیستم برای حل مسائل پیچیده از ابزارهایی مانند مفسر پایتون استفاده می‌کند.
📌 نکات کلیدی
✅ بدون نیاز به دادهٔ خارجی؛ همه‌چیز داخل سیستم ساخته و حل می‌شود
✅ تکیه بر مفسر کد برای مسائل دشوار
✅ افزایش ۱۸٪ در عملکرد ریاضی و ۲۴٪ در منطق برای مدل Qwen3-8B
✅ سختی مسائل در هر چرخه افزایش می‌یابد
🚀 نتیجه: یک سامانهٔ کاملاً خودکار، خودبهبود‌یاب و خودآموز که از بسیاری روش‌های موجود بهتر عمل می‌کند
📄 مقاله و کد
مقالهٔ پژوهشی:
https://arxiv.org/abs/2511.16043v1
کد منبع:
https://github.com/aiming-lab/Agent0
#AI #GenerativeAgents #SelfLearning #Research
@asrgooyeshpardaz
🔍 ایدهٔ اصلی:
در Agent 0 دو عامل «معلم» و «حل‌کننده» به‌صورت خودمختار برای یکدیگر مسئله طراحی می‌کنند، آن را حل می‌کنند و از طریق این فرایند رقابتی–تکاملی، توانایی‌های همدیگر را ارتقا می‌دهند. این سیستم برای حل مسائل پیچیده از ابزارهایی مانند مفسر پایتون استفاده می‌کند.
📌 نکات کلیدی
✅ بدون نیاز به دادهٔ خارجی؛ همه‌چیز داخل سیستم ساخته و حل می‌شود
✅ تکیه بر مفسر کد برای مسائل دشوار
✅ افزایش ۱۸٪ در عملکرد ریاضی و ۲۴٪ در منطق برای مدل Qwen3-8B
✅ سختی مسائل در هر چرخه افزایش می‌یابد
🚀 نتیجه: یک سامانهٔ کاملاً خودکار، خودبهبود‌یاب و خودآموز که از بسیاری روش‌های موجود بهتر عمل می‌کند
📄 مقاله و کد
مقالهٔ پژوهشی:
https://arxiv.org/abs/2511.16043v1
کد منبع:
https://github.com/aiming-lab/Agent0
#AI #GenerativeAgents #SelfLearning #Research
@asrgooyeshpardaz
arXiv.org
Agent0: Unleashing Self-Evolving Agents from Zero Data via...
Large Language Model (LLM) Agents, often trained with Reinforcement Learning (RL), are constrained by a dependency on human-curated data, limiting scalability and tethering AI to human knowledge....
👍2👌2🔥1