Designer-RSI: تکامل حافظه رویه‌ای از ترافیک کاربران برای طراحی گرافیکی عامل‌گرا

علوم کامپیوتر > هوش مصنوعی arXiv:2609.22086v1 (cs) [ارسال شده در ۱۸ سپتامبر ۲۰۲۶] عنوان: Designer-RSI: توسعه حافظه فرایندی از ترافیک کاربران برای طراحی گرافیکی عاملی نویسندگان: هونگیانگ دو، لان یان، کریستین فلورس، آسیمو کاداو مقاله با عنوان «Designer-RSI: Evolving Procedural Memory from User Traffic for Agentic Graphic Design» نوشته هونگیانگ دو و سه نویسنده دیگر را مشاهده کنید. PDF را مشاهده کنید | HTML (آزمایشی) چکیده: طراحی گرافیکی حرفه‌ای یک وظیفه عاملی با افق بلندمدت است که در آن آثار ساختاریافته و قابل ویرایش از طریق اقدامات متعدد و وابسته به هم ایجاد می‌شوند. با این حال، نتایج حاصل فاقد اوراکل برنامه‌ریزی‌پذیر قابل اعتماد هستند. ما یک چارچوب تطبیق مداوم ارائه می‌دهیم که در آن یک مدل فرانتیر منجمد، نرم‌افزار طراحی حرفه‌ای را از طریق بیش از ۲۳۰ ابزار اجرا می‌کند. در همین حال، یک حافظه فرایندی خارجی از مهارت‌های زبان طبیعی بهره می‌برد که فرآیندهای طراحی قابل استفاده مجدد را از طریق تجربه جمع‌آوری و بهبود می‌بخشد. این حافظه با یادگیری فرآیندهای مربوط به زیروظایف تکراری و ناشناخته گسترش می‌یابد و با بازنگری فرآیندهای موجود بر اساس اجرای موفق و ناموفق خود عمیق‌تر می‌شود. در عین حال، یک دروازه بازپخش مطابقت‌یافته تنها تغییراتی را می‌پذیرد که شکست‌ها را برطرف می‌کنند، بدون آنکه موفقیت‌های مشاهده‌شده کاهش یابند. پس از اجرای پنج دور روی ۱۴۰۶ بریف کاربر واقعی و ۱۸۶۹ مسیر با نمره‌دهی خودکار، و بدون نیاز به به‌روزرسانی وزن‌ها یا برچسب‌گذاری انسانی، بانک دانش از ۷۶ مهارت مشتق‌شده از مستندات به ۱۳۹ مهارت افزایش می‌یابد. این امر موفقیت اجرای GenEval2 بر روی Claude-Sonnet-4 را از ۷۲.۷ درصد به ۹۹.۳ درصد ارتقا می‌دهد (افزایش ۱۱.۹۹ درصد در کیفیت تولید). نرخ پیروزی این مدل در برابر عامل پایه (بدون مهارت) در چهار معیار تخصصی طراحی بر روی Claude-Sonnet-4 و Claude-Opus-4.6 به ترتیب ۶۱.۸ درصد و ۶۷.۶ درصد است. همچنین نشان می‌دهیم که این دو مکانیسم در ترکیب با یکدیگر مؤثرتر هستند. در ۲۰۰ بریف جدا شده از بنچمارک ترافیک کاربران، گسترش یا عمیق‌سازی به تنهایی به نرخ پیروزی ۴۹.۴ درصد و ۴۸.۶ درصد در برابر عامل پایه دست می‌یابد، در حالی که ترکیب هر دو مکانیسم به نرخ پیروزی ۵۸.۵ درصد (p = ۰.۰۲۵) می‌رسد. حافظه فرایندی راهکاری عملی برای تطبیق مداوم عوامل هوش مصنوعی در شرایطی با بازخورد پر سر و صدا و غیرقابل تأیید فراهم می‌آورد. نظرات: موضوعات: هوش مصنوعی (cs.AI)؛ بینایی کامپیوتر و تشخیص الگو (cs.CV) استناد کنید به: arXiv:2609.22086 [cs.AI] (یا arXiv:2609.22086v1 [cs.AI] برای این نسخه) https://doi.org/10.48550/arXiv.2609.22086 برای کسب اطلاعات بیشتر به DOI صادرشده توسط arXiv از طریق DataCite مراجعه کنید (در انتظار ثبت‌نام) تاریخچه ارسال: از: هونگیانگ دو [مشاهده ایمیل] [v1] جمعه، ۱۸ سپتامبر ۲۰۲۶ ۱۷:۵۹:۵۶ UTC (۲۱,۵۴۸ کیلوبایت) ابزارهای کتاب‌شناسی: ابزارهای کتاب‌شناسی و استناددهی، کاوشگر کتاب‌شناسی (فعال/غیرفعال کنید)، مقالات مرتبط (فعال/غیرفعال کنید)، Litmaps (فعال/غیرفعال کنید)، scite.ai (فعال/غیرفعال کنید)، کد، داده و رسانه (مرتبط با این مقاله)، alphaXiv (فعال/غیرفعال کنید)، لینک‌های کد (CatalyzeX Code Finder for Papers)، DagsHub (فعال/غیرفعال کنید)، GotitPub (فعال/غیرفعال کنید)، Huggingface (فعال/غیرفعال کنید). User Safety: safe