OpenAI-nin məşhur ChatGPT platformasının arxasında duran model kimi böyük dil modellərinin (LLM) geniş diapazonlu dil emalı və mətn yaratmaq tapşırıqlarını uğurla həll etdiyi aşkar edilmişdir. Bu modellərdən bəziləri, xüsusən də multi-agent sistemlərinin bir hissəsi kimi dəstlərdə yerləşdirildikdə, proqramlaşdırma kodunun yaradılması üçün bəzi vədlər də göstərmişdir.

Jilin Universiteti və Honq Konq Elm və Texnologiya Universitetinin tədqiqatçıları bu yaxınlarda proqramlaşdırma kodunun avtomatlaşdırılmış, süni intellektə əsaslanan nəslini təkmilləşdirə bilən yeni multi-agent sistemi olan Cogito-nu inkişaf etdirdilər. ArXiv preprint serverinə göndərilən məqalədə təqdim olunan bu sistem strukturlaşdırılmış yanaşmadan sonra insanlara mürəkkəb tapşırıqları addım-addım yerinə yetirməyə imkan verən neyrobioloji proseslərdən ilhamlanıb.

“Müvafiq müəllif, professor Vanq Qi-nin rəhbərliyi altında tədqiqatımızı LLM-AGENT-in kod yaratmaq vəzifələrinə yönəltmək qərarına gəldik” dedi məqalənin birinci müəllifi Yanlong Li Tech Xplore-a. “Psixologiya və insanın böyüməsi prosesi bizi bu araşdırmanı tamamlamaq üçün ruhlandırdı və nəticələr olduqca ümidverici oldu.”

Prof. Qi, Li və onların həmkarlarının bu yaxınlarda apardıqları işin əsas məqsədi proqramlaşdırma kodu yaratmaq tapşırıqları üzrə LLM-lərin performansını təkmilləşdirmək idi. Bunun üçün tədqiqatçılar kodun yaradılması alt tapşırıqlarının yerinə yetirildiyi tipik ardıcıllığı tərsinə çevirən yeni sistem hazırlayıblar.

Tipik olaraq, proqramlaşdırma kodunun generasiyası planlaşdırmadan (yəni kodun ümumi məntiqinin strukturlaşdırılması) başlayır, sonra kodlaşdırma prosesi və səhvlərin aradan qaldırılması (yəni, koddakı səhvlərin düzəldilməsi) ilə başlayır. Bu tədqiqat qrupu tərəfindən hazırlanmış yeni çərçivə, sazlamadan başlayaraq, kod istehsal etmək və daha sonra onu dəqiqləşdirməyə yönəlmiş dəyişiklikləri planlaşdırmaq üçün bu ardıcıllığı dəyişdirir.

https://googleads.g.doubleclick.net/pagead/ads?gdpr=0&us_privacy=1—&gpp_sid=-1&client=ca-pub-0536483524803400&output=html&h=188&slotname=2793866484&adk=1121470953&adf=746485419&pi=t.ma~as.2793866484&w=750&abgtt=6&fwrn=4&lmt=1739953123&rafmt=11&format=750×188&url=https%3A%2F%2Ftechxplore.com%2Fnews%2F2025-02-neuro-ai-framework-reverse-code.html&wgl=1&uach=WyJXaW5kb3dzIiwiMTkuMC4wIiwieDg2IiwiIiwiMTMyLjAuNjgzNC4xOTciLG51bGwsMCxudWxsLCI2NCIsW1siTm90IEEoQnJhbmQiLCI4LjAuMC4wIl0sWyJDaHJvbWl1bSIsIjEzMi4wLjY4MzQuMTk3Il0sWyJHb29nbGUgQ2hyb21lIiwiMTMyLjAuNjgzNC4xOTciXV0sMF0.&dt=1739953120338&bpp=1&bdt=1042&idt=84&shv=r20250213&mjsv=m202502130101&ptt=9&saldr=aa&abxe=1&cookie=ID%3Dfdc40d724f2dca57%3AT%3D1735367325%3ART%3D1739953120%3AS%3DALNI_MYStQ6fUQQQLyo5Z7z1h-XhXcWBtA&gpic=UID%3D00000f80eacffadc%3AT%3D1735367325%3ART%3D1739953120%3AS%3DALNI_MYaOugky0UawScoidzfbXof3-N-iw&eo_id_str=ID%3De43bb863646b60b8%3AT%3D1735367325%3ART%3D1739953120%3AS%3DAA-AfjbQoPwZqH28q9IwcCLRSzzg&prev_fmts=0x0%2C1903x945&nras=2&correlator=4218667267097&frm=20&pv=1&rplot=4&u_tz=240&u_his=1&u_h=1080&u_w=1920&u_ah=1032&u_aw=1920&u_cd=24&u_sd=1&dmc=8&adx=447&ady=1644&biw=1903&bih=945&scr_x=0&scr_y=0&eid=95350548%2C95347433%2C95350016&oid=2&pvsid=420186624287136&tmod=753222935&uas=0&nvt=1&ref=https%3A%2F%2Fphys.org%2F&fc=1920&brdim=0%2C0%2C0%2C0%2C1920%2C0%2C1920%2C1032%2C1920%2C945&vis=1&rsz=%7C%7CpeEbr%7C&abl=CS&pfx=0&fu=128&bc=31&bz=1&td=1&tdf=2&psd=W251bGwsbnVsbCxudWxsLDNd&nt=1&ifi=2&uci=a!2&btvi=1&fsb=1&dtd=3405

“Bizim çərçivəmiz cavab yaratma prosesi və yaddaş modulundan ibarətdir” deyə Li izah etdi. “Verilmiş tapşırıq üçün qrupda üç rol var: Planlayıcı, Koder və Debagger, hər biri cavab yaratmaq üçün öz funksiyalarını yerinə yetirir. Yekun cavabı yaratmaq üçün cavabdeh olan rol ardıcıl olaraq müxtəlif qruplarda Sazlayıcı, Kodlayıcı və Planlayıcı rollarını oynayacaq.”

Li və onun həmkarları tərəfindən hazırlanmış Cogito sistemində insan beyninin əsas bölgəsi olan hipokampusun işini əks etdirən yaddaş modulu da var. Bu modul keçmişdə əldə edilmiş məlumatları sürətlə əldə etmək, təlim prosesini təkmilləşdirmək üçün nəzərdə tutulmuşdur.

Əsasən, Cogito sazlama, kodlaşdırma və planlaşdırma mərhələsini tamamlayarkən təcrübə toplayır. Sonradan o, topladığı təcrübədən tələb olunan proqramlaşdırma kodunun son versiyasını yaratmaq üçün istifadə edir.

“Prosesin unikal xüsusiyyəti təcrübənin toplanması və tərs qaydada öyrənmənin istifadəsidir (burada tipik sifariş öyrənmə üçün Planlayıcı, Koder, Debuggerdir)” dedi Li. “Bu yanaşma qruplar arasında rabitə xərclərinə qənaət edir və tapşırıqların dəqiqliyini artırır.

“Yaddaşa gəlincə, o, insan beyninin hipokampusundan ilhamlanır, burada müxtəlif bölgələr müxtəlif funksiyalara əsaslanan məlumatları saxlayır, burada onlar arasında qarşılıqlı əlaqə mövcuddur. Bu dizayn, informasiyanı bütövlükdə saxlayan və ya saxlanmazdan əvvəl ümumiləşdirən əvvəlki işlərin əksəriyyətindən fərqli olaraq həm tez axtarışa, həm də ümumi prosesi müşahidə etməyə imkan verir”.

Tədqiqatçılar təklif etdikləri multi-agent sistemini bir sıra ilkin təcrübələrdə sınaqdan keçirdilər və onun kod yaratma tapşırıqlarında mövcud LLM əsaslı modelləri üstələdiyini və daha az səhvə yol verdiyini aşkar etdilər. Gələcəkdə model daha da təkmilləşdirilə və daha geniş kod generasiya tapşırıqları üzrə sınaqdan keçirilə bilər.

“Düşünürəm ki, tədqiqatımızın ən diqqətəlayiq cəhəti nümayiş etdirdiyimiz tərs öyrənmə və böyümə prosesidir” dedi Li. “İndiyə qədər biz onun HumanEval kimi kod yaratma tapşırıqlarında effektivliyini təsdiq etdik. Gələcəkdə bəzi gücləndirici öyrənmə elementlərini daxil edə bilərik, lakin hələ tam əmin deyilik, çünki bu sahə həqiqətən sürətlə inkişaf edir.”

Ətraflı məlumat: Yanlong Li et al, Cogito, ergo sum: A Neurobiologically-Inspired Cognition-Yaddaş-Growth System for Code Generation, arXiv (2025). DOI: 10.48550/arxiv.2501.18653

Jurnal məlumatı: arXiv 

© 2025 Science X Network