Ampersand: csoportmunkára tanított modell a humans&-től

Mi ez?

A cég szerint a mai tanítási módszerek a feladat elvégzésére és felszínes preferenciákra optimalizálnak, ami egyre autonómabb, a munkát kiváltó modellekhez vezet. Az Ampersand ehelyett hosszú, többszereplős szimulációkban tanult. Azt figyeli, ki mit akar, mikor érdemes megszólalni, és mikor jobb csendben maradni.

Számok a cégtől

• Collaborative Intelligence Benchmark: 59,1% magas effortnál, a legjobb nyílt súlyú publikus eredmény 49,8%. Az alap GLM 5.3-hoz képest az információmegosztás 65%-ról 89%-ra, a konfliktuskezelés 11%-ról 30%-ra javult.
• CooperBench (közös repón dolgozó agentek): 39,0% közös siker. A GLM 5.3 itt az egyéni 52,5%-ról közösen 17,3%-ra esik vissza.
• A hónapokat átfogó szimulációs értékelésben az Ampersand hozta a legtöbb értéket a felhasználók ki nem mondott céljai felé. A cég elismeri, hogy közben több olyan interakciót is produkál, amely ütközik a felhasználók preferenciáival. Néha coacholni kezd, amikor a user csak választ akar.

Ezek saját mérések, a fő értékelés egy készülő termékükre épül. Független ellenőrzés még nincs.

Hogyan tanították?

Szimulált felhasználókkal, akiket egy külön user-modell, a Persimmon mozgat. Ezek a felhasználók visszaszólnak, ellenállnak a hízelgésnek, menet közben pedig változtatják a céljaikat. A tanítás aszinkron RL-lel ment egy új off-policy algoritmussal (CORO). Egy meta-optimalizáló tanítás közben jelzi a reward hackinget, így újraindítás nélkül lehet korrigálni. NVFP4-es RL receptet használtak saját hardveren, illetve a DeepInfrával közösen épített adatközpontokban.

Fejlesztőknek

Az API az OpenAI Agents API-t követi, a hivatalos OpenAI SDK a base URL átírásával használható (API reference). Csoportos chathez a modell két toolt kap: send_message és pass. Minden üzenet után eldönti, hogy megszólal vagy hallgat. Az árazás millió tokenenként 1 dollár inputra, 0,20 dollár cache-elt inputra és 5,20 dollár outputra, a reasoning tokenekkel együtt.

Csoportos Slack- és Teams-botoknál gyakran nem az a gond, hogy mit mond a bot, hanem hogy túl sokat beszél. Egy modell, amelyet kifejezetten a hallgatásra is tanítottak, ezt pont jó helyen fogja meg. Egy belső csatornán gyorsan kipróbálható.