Ramp、モデルルーターをローンチ

PorTAL: Portable Task Adaptation for LoRA タスク適応をベースに依存しない形式で一度学習し、薄いベースごとのアライメントを再調整するだけで新しい凍結モデルに移植できます。同一ファミリー内の未知のモデルで約98%、ファミリーをまたぐ場合でも約94%のタスク固有LoRAの向上を回復します。 Prime-RLによる高速かつ正確なエージェント構築（ポストトレーニング） Prime-RLのポストトレーニングが、本番ワークフローにおけるエージェントの速度と精度をどのように向上させるか。 コーディングエージェントは自身の予算を無視する エージェントは自身のトークン予算を管理することを信頼できません。支出の制御は、支出を行うエージェントの外部にある、証拠に基づいた独立したシステムに存在する必要があります。 Latent Briefing: KVキャッシュ圧縮によるマルチエージェントシステム間の効率的なメモリ共有 Ramp Labsによる、KVキャッシュ圧縮を使用してマルチエージェントシステム間でメモリを効率的に共有する方法についての解説。 Steerの構築方法：解釈可能性プレイグラウンド 言語モデルが内部的に情報をどのように処理するかを探索・理解するためのインタラクティブツールであるSteerの構築に関する詳細な解説。 Ramp Sheetsをセルフメインテナンス可能にした方法 Ramp Sheetsが自身の問題を自動的に検出し修正するシステムを構築した方法。手動メンテナンスを削減し、信頼性を向上させました。 ポストトレーニングにおけるアンサンブル対単一モデルのアプローチ（Tinkerを使用） ポストトレーニング最適化のためのアンサンブル戦略と単一モデル戦略の比較、およびこれらのトレードオフを探求するためにTinkerを構築して学んだこと。 社内ファイナンスエージェントにプロンプトを与えるエージェントを構築した方法 別のAIエージェントにプロンプトを与える方法を理解することを仕事とするAIエージェントを構築するとどうなるか。再帰的エージェントアーキテクチャからの教訓。 Agent Fillの構築方法 文脈を理解し、データを抽出し、複雑なワークフローをナビゲートすることでフォームを自動的に入力するAIエージェントであるAgent Fillの背後にあるストーリー。