برای آخرین به روزرسانی ها و مطالب اختصاصی در مورد پوشش هوش مصنوعی پیشرو در صنعت ، به خبرنامه های روزانه و هفتگی ما بپیوندید. بیشتر بدانید
محققان بنیاد Sentient Search Deep Deep (ODS) را منتشر کرده اند ، یک چارچوب منبع باز که می تواند با کیفیت راه حل های جستجوی اختصاصی هوش مصنوعی مانند سرخوردگی و جستجوی چتپ مطابقت داشته باشد. ODS مدلهای بزرگ زبان (LLM) را با عوامل استدلال پیشرفته مجهز می کند که می توانند از جستجوی وب و سایر ابزارها برای پاسخ به سؤالات استفاده کنند.
برای شرکت هایی که به دنبال ابزارهای جستجوی AI قابل تنظیم هستند ، ODS یک جایگزین قانع کننده و با کارایی بالا برای راه حل های تجاری بسته ارائه می دهد.
منظره جستجوی AI
ابزارهای جستجوی هوش مصنوعی مدرن مانند Perplexity و جستجوی چتپ به روز می توانند با ترکیب دانش و قابلیت های استدلال LLMS با جستجوی وب ، پاسخ های به روز ارائه دهند. با این حال ، این راه حل ها به طور معمول اختصاصی و منبع بسته هستند و باعث می شود سفارشی کردن آنها و اتخاذ آنها برای برنامه های خاص دشوار باشد.
Himanshu Tyagi ، بنیانگذار Sentient ، به VentureBeat گفت: “بیشتر نوآوری در جستجوی هوش مصنوعی در پشت درهای بسته اتفاق افتاده است. تلاش های منبع باز از نظر تاریخی از قابلیت استفاده و عملکرد عقب مانده است.” “ODS قصد دارد این شکاف را ببندد ، نشان می دهد که سیستم های باز می توانند با همتایان بسته با کیفیت ، سرعت و انعطاف پذیری با هم رقابت کنند و حتی از آن پیشی بگیرند.”
معماری جستجوی عمیق (ODS) را باز کنید
Open Deep Search (ODS) به عنوان یک سیستم پلاگین و بازی طراحی شده است که می تواند با هر دو مدل منبع باز مانند DeepSeek-R1 و مدل های بسته مانند GPT-4O و Claude یکپارچه شود.
ODS شامل دو مؤلفه اصلی است که هر دو از LLM پایه انتخاب شده استفاده می کنند:
ابزار جستجوی باز: این مؤلفه پرس و جو می کند و اطلاعاتی را از وب بازیابی می کند که می تواند به عنوان زمینه به LLM داده شود. Open Search Tool چند اقدام مهم را برای بهبود نتایج جستجو انجام می دهد و اطمینان حاصل می کند که زمینه مربوط به مدل را فراهم می کند. ابتدا ، پرس و جو اصلی را به روش های مختلفی برای گسترش پوشش جستجو و ضبط دیدگاه های متنوع دوباره بیان می کند. سپس این ابزار از یک موتور جستجو نتیجه می گیرد ، زمینه را از نتایج برتر (قطعه ها و صفحات مرتبط) استخراج می کند ، و تکنیک های chunking و recanking را برای فیلتر کردن مناسب ترین محتوا اعمال می کند. همچنین دارای استفاده از منابع خاص مانند ویکی پدیا ، ARXIV و PubMed است و می توان از آنها در هنگام مواجهه با اطلاعات متناقض ، منابع معتبر را در اولویت قرار داد.
عامل استدلال باز: این نماینده پرس و جو کاربر را دریافت می کند و از پایه LLM و ابزارهای مختلف (از جمله ابزار جستجوی باز) برای تدوین پاسخ نهایی استفاده می کند. Sentient دو معماری عامل مجزا را در ODS فراهم می کند:
ODS-V1: این نسخه از یک چارچوب عامل React همراه با استدلال زنجیره ای از فکر (COT) استفاده می کند. عوامل React مراحل استدلال (“افکار”) را با اقدامات (مانند استفاده از ابزار جستجو) و مشاهدات (نتایج ابزارها) به هم می زنند. ODS-V1 از React تکراری برای رسیدن به پاسخ استفاده می کند. اگر عامل React مبارزه کند (همانطور که توسط یک مدل قاضی جداگانه تعیین می شود) ، به خودی خود COT پیش فرض می شود ، که چندین پاسخ COT را از مدل نمونه می کند و از پاسخی استفاده می کند که بیشتر نشان می دهد.
ODS-V2: این نسخه از زنجیره کد (COC) و یک عامل Codeact استفاده می کند که با استفاده از کتابخانه Smolagents Face Bugging Face اجرا می شود. COC از توانایی LLM در تولید و اجرای قطعه های کد برای حل مشکلات استفاده می کند ، در حالی که CodeAct از تولید کد برای اقدامات برنامه ریزی استفاده می کند. ODS-V2 می تواند ابزارها و عوامل مختلفی را تنظیم کند ، و به آن اجازه می دهد تا کارهای پیچیده تری را که ممکن است نیاز به برنامه ریزی پیشرفته و تکرارهای جستجوی بالقوه چندگانه داشته باشد ، برطرف کند.
تیاگی گفت: “در حالی که ابزارهایی مانند Chatgpt یا Grok” تحقیقات عمیق “را از طریق عوامل مکالمه ارائه می دهند ، ODS با یک لایه متفاوت عمل می کند – بیشتر شبیه به زیرساخت های پشت سرنوشت AI – با ارائه معماری اساسی که قدرت بازیابی هوشمند را فراهم می کند ، نه فقط خلاصه.”
عملکرد و نتایج عملی
Sentient ODS را با جفت شدن آن با مدل منبع باز Deepseek-R1 ارزیابی کرد و آن را در برابر رقبای محبوب منبع بسته مانند Preplexity AI و پیش نمایش جستجوی GPT-4O OpenAi و همچنین LLM های مستقل مانند GPT-4O و Llama-3.1-70B آزمایش کرد. آنها از فریم ها و معیارهای پاسخ به سؤال SimpleQA استفاده کردند و آنها را برای ارزیابی صحت سیستم های هوش مصنوعی با قابلیت جستجو تطبیق دادند.
نتایج نشان دهنده رقابت ODS است. هر دو ODS-V1 و ODS-V2 ، هنگامی که با Deepseek-R1 ترکیب شده اند ، از محصولات پرچمدار Perplexity بهتر است. نکته قابل توجه ، ODS-V2 با Deepseek-R1 جفت شده از پیش نمایش جستجوی GPT-4O در معیار فریم های پیچیده پیشی گرفت و تقریباً آن را در SimpleQA هماهنگ کرد.
یک مشاهده جالب کارآیی چارچوب بود. عوامل استدلال در هر دو نسخه ODS آموخته اند که از ابزار جستجو به طور معقول استفاده کنند ، اغلب تصمیم می گیرند که آیا یک جستجوی اضافی بر اساس کیفیت نتایج اولیه لازم است. به عنوان مثال ، ODS-V2 از جستجوی وب کمتری در کارهای ساده تر SimpleQA در مقایسه با نمایش داده های پیچیده تر و چند هاپ در فریم ها ، بهینه سازی مصرف منابع استفاده می کند.
پیامدهای شرکت
برای شرکت هایی که به دنبال قابلیت های استدلال قدرتمند هوش مصنوعی هستند که در اطلاعات در زمان واقعی پایه گذاری شده اند ، ODS یک راه حل امیدوارکننده را ارائه می دهد که یک جایگزین شفاف ، قابل تنظیم و با عملکرد بالا برای سیستم های جستجوی هوش مصنوعی اختصاصی ارائه می دهد. امکان وصل کردن LLM ها و ابزارهای منبع باز ترجیح داده می شود و به سازمان ها کنترل بیشتری بر پشته هوش مصنوعی خود می دهد و از قفل فروشنده جلوگیری می کند.
Tyagi گفت: “ODS با مدولار در ذهن ساخته شده است.” “این ابزار را انتخاب می کند که بر اساس توضیحات ارائه شده به صورت پویا ، از کدام ابزارهایی استفاده کنید. این بدان معنی است که می تواند با ابزارهای ناآشنا به طور روان-تا زمانی که به خوبی توصیف شوند-تعامل داشته باشند ، بدون نیاز به قرار گرفتن در معرض قبلی.”
با این حال ، وی اذعان كرد كه هنگامی كه این ابزار نفخ می شود ، می تواند عملکرد ODS را تخریب كند ، “طراحی بسیار دقیق اهمیت دارد.”
Sentient کد ODS را در GitHub منتشر کرده است.
Tyagi گفت: “در ابتدا ، قدرت سرخوردگی و چتپپ ، فناوری پیشرفته آنها بود ، اما با ODS ، ما این زمین بازی تکنولوژیکی را تراز کرده ایم.” “ما اکنون هدف ما این است که از طریق استراتژی” ورودی های باز و باز کردن خروجی های خود “از توانایی های آنها پیشی بگیریم و کاربران را قادر می سازد تا یکپارچه عوامل سفارشی را در گپ احساساتی ادغام کنند.”
