Xiaomi-nin HarnessX AI çərçivəsi tapşırıq zamanı öz kodunu yenidən yazır — kiçik modellər daha çox qazanır

Süni intellekt agentləri getdikcə daha mürəkkəb və uzunmüddətli tapşırıqları yerinə yetirdikcə, onların performansı çox vaxt "qoşqu" (harness) adlanan proqram təminatı ilə məhdudlaşır. Bu qoşqu əsas dil modelini (LLM) onun ətraf mühitinə bağlayan proqram təminatıdır. Hal-hazırda bu qoşqular əsasən statikdir və əl ilə hazırlanır, onların təkmilləşdirilməsi də əl ilə aparılır və ətraf mühitdən topladıqları icra məlumatları əsasında avtomatik yaxşılaşmırlar. Bu mühəndislik darboğazını həll etmək üçün Xiaomi tədqiqatçıları HarnessX adlı bir çərçivə təqdim etdilər. HarnessX, süni intellekt qoşqusunu kompozisiyalı bir obyekt kimi qəbul edir və onun koduna avtonom şəkildə təkmilləşdirmələr tətbiq edir. Bu avtomatlaşdırılmış uyğunlaşma, real dünya müəssisə tətbiqlərində süni intellekt sistemlərinə tətbiqə xas tələblərə dinamik şəkildə uyğunlaşmağa imkan verir. Praktik sınaqlar göstərdi ki, HarnessX proqram mühəndisliyi və veb qarşılıqlı əlaqəsi kimi sahələrdə əhəmiyyətli performans qazancları təmin edir. Nəticələr sübut edir ki, əsas modeli böyütmək daha güclü süni intellektə aparan yeganə yol deyil və kiçik modellər üçün bu, hətta ən yaxşı yol da olmaya bilər. HarnessX-in qoşqu təkamülü 15 model-benchmark kombinasiyası üzrə ortalama +14.5% performans artımı təmin etdi; açıq çəkili Qwen3.5-9B modeli üçün bu artım təcəssüm olunmuş planlaşdırma tapşırıqlarında +44%-ə çatdı. Süni intellekt tətbiqlərində əsas modelin qabiliyyəti böyük ölçüdə onun ətrafındakı qoşqudan asılıdır. Qoşqu, xam model çıxışlarını strukturlaşdırılmış, icra edilə bilən agent davranışlarına çevirən əməliyyat təbəqəsi rolunu oynayır. O, göstərişləri (prompts), xarici alət inteqrasiyalarını, yaddaş idarəetməsini və süni intellekt sisteminin ətraf mühitini necə müşahidə etdiyini, problemi necə əsaslandırdığını və hərəkətə keçdiyini diktə edən nəzarət axınlarını əhatə edir. Müəssisə agentləri daha mürəkkəb və uzunmüddətli iş axınlarını öz üzərinə götürdükcə, qoşqu mühəndisliyi süni intellekt inkişafının əsas hissəsinə çevrilmişdir. Əhəmiyyətinə baxmayaraq, qoşqu inkişafı hələ də yetkin bir mühəndislik intizamı olmaqdan uzaqdır və üç əsas problemi özündə ehtiva edir. Birincisi, qoşqular statikdir və əl ilə hazırlanır, yəni əsas modeldə və ya tapşırıqda hər hansı bir dəyişiklik onların yenidən əl ilə tənzimlənməsini tələb edir. İkincisi, bu əl ilə tənzimləmə prosesi çox vaxt aparır və səhvlərə meyllidir, çünki mühəndislər hər bir tətbiqin incəliklərini tam əhatə edə bilmirlər. Üçüncüsü, qoşqular topladıqları icra məlumatlarından avtomatik öyrənmədikləri üçün, zaman keçdikcə öz performanslarını təbii yolla yaxşılaşdıra bilmirlər ki, bu da onların potensialını əhəmiyyətli dərəcədə məhdudlaşdırır.