जागो जनाब, हार्वर्ड से एक नया पेपर आया है: Economy of Minds (EOM)। उन्होंने एक विकेंद्रीकृत मल्टी-एजेंट सिस्टम बनाया है जहाँ एजेंट बाजार-जैसे तंत्रों (नीलामी, भुगतान, धन संचय) का उपयोग करके समन्वय करते हैं और समय के साथ बेहतर होते जाते हैं।
वे रिपोर्ट कर रहे हैं कि ऐसे वातावरण में उभरती हुई मल्टी-स्टेप रीज़निंग और कई एजेंटिक कार्यों पर मजबूत प्रदर्शन देखने को मिला है!
नोट: यह लेख AVB द्वारा Paper Breakdown हार्नेस के अंदर GPT-5.2 का उपयोग करके लिखा गया था
मुझे इससे क्या मतलब?
अगर आप विशिष्ट कार्यों को पूरा करने के लिए मल्टी-एजेंट सिस्टम बना रहे हैं - तो यह आपके लिए है। अधिकांश मल्टी-एजेंट स्टैक अभी भी बहुत अधिक हैंड-डिज़ाइन किए गए ऑर्केस्ट्रेशन पर निर्भर करते हैं - आप (डेवलपर) स्पष्ट प्रॉम्प्ट और स्टेट मशीन ग्राफ लिखते हैं ताकि मैन्युअल रूप से परिभाषित कर सकें कि "कौन क्या और कब करेगा"।
लंबे कार्यों में कार्य की स्थिति और प्रगति के अनुसार अलग-अलग भूमिका स्विच की आवश्यकता होती है। और सिस्टम को इस तरह डिज़ाइन करना लगभग हमेशा सबसे अच्छा होता है कि वे अपने सिस्टम प्रॉम्प्ट को इष्टतम रूप से बदल सकें ताकि कार्य हमेशा आगे बढ़ते रहें।
इस पेपर का उद्देश्य बिल्कुल यही करना है। एक कार्य दिए जाने पर, आप मल्टी-एजेंटों की एक अनुकूलित आबादी कैसे उत्पन्न करते हैं, जिनमें से प्रत्येक के पास कैसे कार्य करना है और कब कार्य करना है, इस बारे में विशिष्ट निर्देश हों।
और उन्होंने इसे वास्तव में एक अनोखे और मजेदार तरीके से किया - एक बाजार प्रणाली का अनुकरण करके जो बाहरी रूप से नियंत्रित करती है कि एजेंट कैसे विकसित होते हैं।
इस अनुकूलन का अंतिम परिणाम विशिष्ट एजेंटों का एक समूह और एक बुद्धिमान रूटिंग तंत्र है जो यह चुनता है कि वे किसी कार्य को कैसे हल करेंगे।
जब हम सरल एजेंटों को एक बुनियादी एक्शन स्पेस के साथ एक जटिल मल्टी-एजेंट परिदृश्य में रखते हैं, तो आपको क्या लगता है क्या होगा? जटिल व्यवहार स्वचालित रूप से उभरते हैं क्योंकि वे सरल एजेंट परिदृश्य में अन्य एजेंटों द्वारा उत्पन्न अनिश्चितताओं के आसपास अपने जीवन को अनुकूलित करना शुरू कर देते हैं। यही इस पूरी चीज़ का सबसे अच्छा हिस्सा है।
वैसे, "मल्टी-एजेंट परिदृश्य से व्यवहार का स्वाभाविक रूप से उभरना" का यह सिद्धांत कोई नई अवधारणा नहीं है। यहाँ तक कि कुछ पुराने प्री-LLM मल्टी-एजेंट कार्यों ने भी इस ओर संकेत किया है, जैसे कि प्रसिद्ध OpenAI Hide and Seek पेपर।
https://openai.com/index/emergent-tool-use/
जबकि इस पेपर ने मुझे उन पुराने मल्टी-एजेंट पेपर्स के कुछ विचारों की याद दिलाई, कुछ सावधानियाँ हैं। निम्नलिखित पर ध्यान देना महत्वपूर्ण है:
- यह पेपर एजेंटों को आर्थिक रूप से स्वतंत्र होने या ट्रेड या नीलामी करने के लिए प्रशिक्षित नहीं कर रहा है!
- वास्तव में, यह सामान्य सत्यापन योग्य वातावरणों जैसे Math, एक्सेलेरेटर कोड को अनुकूलित करना, डीप सर्च, वैज्ञानिक शोध आदि पर एजेंटों को अनुकूलित करने के लिए एक नया एल्गोरिदम है।
- अधिकांश भाग के लिए, एजेंटों को यह भी नहीं पता होता कि वे इस बाजार सिम्युलेटर के अंदर हैं। यह एक बाहरी प्रणाली है जो नियंत्रित करती है कि एजेंट कैसे विकसित होते हैं (और कौन से नहीं)।
एजेंट नीलामी में बोली लगाते हैं ताकि इन लक्ष्य वातावरणों में से किसी एक में एक कदम उठाने का अधिकार जीत सकें।
नीलामी में जीतने पर उनके वॉलेट से राशि कट जाती है, और उन्हें पर्यावरण में एक वास्तविक कार्रवाई करने के लिए "यात्रा" करने का मौका मिलता है जो पर्यावरण को चरण से आगे बढ़ाता है
t
चरण तक
t+1.
भविष्य के एजेंट जो उसी वातावरण में कार्रवाई करते हैं, वे अपनी बोली पिछले एजेंट (पिछले विजेता) को वापस चुकाते हैं।
इसे कुछ समय तक दोहराएँ, और सबसे धनी एजेंटों के पास लक्ष्य वातावरण में प्रदर्शन करने की सबसे अच्छी नीतियाँ होती हैं।
यह लंबी अवधि के क्रेडिट असाइनमेंट और विकासवादी प्रॉम्प्ट ऑप्टिमाइज़ेशन एल्गोरिदम पर एक अत्यधिक दिलचस्प दृष्टिकोण है। आइए एल्गोरिदम को शुरू से समझें ताकि वास्तव में समझ सकें कि वे यहाँ क्या पका रहे हैं।
दृष्टिकोण
इस पेपर में, एक एजेंट अलग से प्रशिक्षित न्यूरल नेटवर्क नहीं है। प्रत्येक एजेंट मूल रूप से एक प्रॉम्प्टेड LLM नीति है जिसमें शामिल हैं:
- एक प्रॉम्प्ट (एक सिस्टम प्रॉम्प्ट / निर्देश टेम्पलेट जो इसकी "भूमिका" और प्रक्रिया को परिभाषित करता है)। यह भूमिका उस लक्ष्य वातावरण के आधार पर बदलती है जिसके लिए हम अनुकूलन कर रहे हैं। उदाहरण के लिए, MATH कार्यों के लिए, वे ये भूमिकाएँ निर्दिष्ट करते हैं: planner, executor, verifier, और एक्सेलेरेटर डिज़ाइन कार्य के लिए: historian, planner, executor
- एक ट्रिगर / वेक-अप शर्त जो यह निर्धारित करती है कि वह नीलामी में बोली लगाने के लिए कब पात्र है।
- एक (फ्रोज़न) बोली मूल्य जो नीलामी में उपयोग होता है,
- और एक धन चर जो समय के साथ बदलता है और चयन को संचालित करता है
EOM तब दो युग्मित लूप में चलता है:
- योजना (एक एपिसोड के भीतर): एजेंट प्रत्येक चरण पर कार्य करने के अधिकार के लिए नीलामी करते हैं, और धन को बकेट-ब्रिगेड भुगतान नियम के माध्यम से अपडेट किया जाता है।
- अनुकूलन (एपिसोड के पार): आबादी प्रॉम्प्ट को विकसित करती है जो पूरी तरह से धन द्वारा संचालित अन्वेषण/दोहन का उपयोग करती है।
EOM (अंतिम डिलिवरेबल) का लक्ष्य एजेंटों का एक समूह है। प्रत्येक एजेंट के पास एक निश्चित वातावरण में कैसे कार्य करना है, इस बारे में अपना सिस्टम प्रॉम्प्ट और कब कार्य करना है, इसकी एक नीति होती है। एक नई समस्या दिए जाने पर, एजेंट बोली लगाते हैं कि कौन कार्य करेगा, कार्रवाई करते हैं, और समाधान तक पहुँचने तक प्रक्रिया दोहराते हैं।
लूप 1: अनुभव एकत्र करें + नीलामी चलाएँ
एक एपिसोड में प्रत्येक पर्यावरण चरण पर:
- लक्ष्य वातावरण के वर्तमान अवलोकन को देखते हुए, प्रत्येक एजेंट एक प्रॉम्प्ट चलाता है जो यह निर्धारित करता है कि उन्हें "जागना" चाहिए या नहीं। जागने का सीधा सा मतलब है चरण 2 में आगामी नीलामी में भाग लेना।
- जिन एजेंटों ने जागने का फैसला किया, वे स्वचालित रूप से अपनी फ्रोज़न बोलियाँ जमा करते हैं। यह फ्रोज़न बोली है क्योंकि ये बोलियाँ आरंभीकरण के दौरान तय होती हैं (यानी एजेंट बुद्धिमानी से बोली आवंटित करने का प्रयास नहीं करते हैं)।
- सबसे अधिक बोली वाला एजेंट नीलामी का विजेता होता है! वे तुरंत वह राशि खो देते हैं जो उन्होंने बोली लगाई थी। लेकिन वे पर्यावरण का नियंत्रण जीत जाते हैं।
- विजेता एजेंट अपनी वर्तमान स्थिति में लक्ष्य वातावरण में एक कार्रवाई का नमूना लेता है। यह लक्ष्य वातावरण में अगला कदम निष्पादित करने, घड़ी को s_t से s_t+1 में आगे बढ़ाने के बारे में होगा।
- पर्यावरण संक्रमण करता है और एक इनाम r_t उत्पन्न करता है।
- धन हस्तांतरण होता है बकेट-ब्रिगेड क्रेडिट असाइनमेंट के साथ! 2 चीजें होती हैं: a) नया विजेता अपनी बोली पिछले विजेता को चुकाता है b) नया विजेता पर्यावरण इनाम r_t को अपने वॉलेट में एकत्र भी करता है
पहले विजेता के लिए, भुगतान "हाउस" (किसी अन्य एजेंट को नहीं) को जाता है।
- अगले चरण में, पूरा लूप दोहराता है लेकिन अपडेटेड पर्यावरण पर। हालाँकि, एजेंट नवीनतम अवलोकन (s_t+1 से प्राप्त) के आधार पर "जागते" हैं, और इस नीलामी का विजेता अपनी बोली पिछली नीलामी के विजेता को चुकाता है। यह बोली पिछले विजेता के वॉलेट में जुड़ जाती है।
- यदि किसी भी समय, कोई एजेंट दिवालिया हो जाता है, तो उसे बाहर निकाल दिया जाता है। साथ ही, यदि कोई एजेंट अपने वॉलेट पर बैठा रहता है और भागीदारी से इनकार करता है, तो उसका वॉलेट भी समय के साथ घटता है और अंततः वह दिवालिया हो जाता है। यह पूरी चीज़ में तात्कालिकता जोड़ता है।
अब, बहुत से वातावरण कोई मध्यवर्ती इनाम नहीं देते हैं और पूरे एपिसोड के समाप्त होने के बाद ही एक इनाम उत्पन्न करते हैं। पारंपरिक RL में, यह कुख्यात "क्रेडिट असाइनमेंट" समस्या के कारण कई सिरदर्दों का कारण रहा है। मूल रूप से, यदि कार्यों की एक लंबी श्रृंखला अंततः एक अच्छे इनाम की ओर ले जाती है, तो आप श्रृंखला में प्रत्येक चरण को आंशिक क्रेडिट कैसे देते हैं?
यह विधि "अपनी बोली पिछले नीलामी विजेता को चुकाएं" नियम का उपयोग करके इस मुद्दे को संबोधित करती है।
उस डिज़ाइन निर्णय का मूल्य के पिछड़े प्रवाह से संबंधित एक महत्वपूर्ण परिणाम है: एक एजेंट सिस्टम को उन अवस्थाओं में ले जाकर लाभ कमा सकता है जहाँ डाउनस्ट्रीम एजेंट अपनी "बोली चुकाने" को तैयार हों। यह प्रक्षेपवक्र में विकेंद्रीकृत क्रेडिट असाइनमेंट बन जाता है।
यदि आपकी कार्रवाई मूल्यवान भविष्य की कार्रवाइयों को सक्षम बनाती है, तो बाद के एजेंट बोलियों के माध्यम से आपसे निरंतरता "खरीदते" हैं, इसलिए आपको इनाम मिलता है भले ही आपको अपने कार्रवाई चरण पर सीधे rt प्राप्त न हुआ हो।
अगला, एपिसोड रोलआउट समाप्त होने के बाद, नीतियों को अपडेट करने का समय है।
लूप 2: एजेंटों का विकास
एपिसोड समाप्त होने के बाद, एजेंट नीतियों की आबादी को आर्थिक चयन और एक प्रॉम्प्ट म्यूटेशन तंत्र का उपयोग करके अपडेट किया जाता है। मूल रूप से, हम उन एजेंटों को हटा देते हैं जो वर्तमान में गरीब हैं, और अगले दौर के लिए अमीर एजेंटों को म्यूटेट करते हैं।
याद रखें कम धन वाले एजेंट खराब होते हैं क्योंकि वे या तो:
- नीलामी में भाग नहीं लेते (बहुत निष्क्रिय)
- भाग लेते हैं लेकिन ऐसी कार्रवाई करते हैं जो भविष्य में खराब स्थिति की ओर ले जाती हैं, जिसमें अन्य एजेंटों ने भाग नहीं लिया
उन कम प्रदर्शन करने वालों को काटने के बाद, हम आकार की बाधाओं को पूरा करने तक आबादी में नए एजेंट जोड़ते हैं, दो स्रोतों का उपयोग करके:
- दोहन: धनी "माता-पिता" एजेंटों को चुनें और उनके प्रॉम्प्ट को थोड़ा म्यूटेट करें ताकि बच्चे उत्पन्न हों जो उपयोगी व्यवहारों को संरक्षित करते हैं लेकिन थोड़ा भिन्न होते हैं। यह सफल रणनीतियों को बढ़ाता है और विशेषज्ञता को बढ़ावा देता है।
- अन्वेषण: दिवालिया/कमजोर एजेंटों को विफलता मोड को सही करने या विभिन्न व्यवहार क्षेत्रों का पता लगाने के लिए प्रॉम्प्ट में संशोधन करके बनाए गए नए वेरिएंट से बदलें।
अनुमान और आप वास्तव में क्या शिप करते हैं?
क्या आप एक एकल एजेंट शिप करते हैं? एक एकल विजेता? नहीं!
EOM में, आप कार्यों को हल करने के लिए जो "प्रशिक्षित" करते हैं और फिर "शिप" करते हैं, वह एजेंटों का एक समाज/आबादी है, जहाँ प्रत्येक एजेंट के अपने प्रॉम्प्ट और अपना स्वयं का "कब कार्य करना है" तर्क होता है।
मूल्यांकन के समय, वे स्पष्ट रूप से प्रशिक्षित आबादी की थ्रेड-लोकल कॉपी का उपयोग करके मूल्यांकन करते हैं, और वेक-अप नीति का उपयोग यह चुनने के लिए किया जाता है कि कौन सा एजेंट कार्य करेगा। आबादी "फ्रोज़न" है (कोई और प्रशिक्षण नहीं)।
सभी बाजार सिमुलेशन की हरकतें, जैसे वॉलेट और धन हस्तांतरण, केवल प्रशिक्षण-समय की चीजें हैं। एक बार आबादी अनुकूलित हो जाने के बाद, हम अनुमान के दौरान उनका वास्तव में उपयोग नहीं करते हैं। ध्यान दें कि बोली प्रणाली का उपयोग अभी भी यह निर्धारित करने के लिए किया जाता है कि एक चरण में किसे "कार्य" करना चाहिए जब कई अभिनेता एक साथ "जागना" चाहते हैं।
**
इसे समझाने के लिए एक केस स्टडी
ऊपर चित्र 5 देखें। यह एक्सेलेरेटर डिज़ाइन कार्य पर "Economy of Minds" विचार के कूल फैक्टर को समझाता है। एक्सेलेरेटर डिज़ाइन में, एजेंट भूमिका-विशिष्ट होते हैं:
- Historian: पिछले परीक्षणों का सारांश देता है, आशाजनक/असफल दिशाओं की स्मृति रखता है
- Planner: उच्च-स्तरीय खोज दिशाओं का प्रस्ताव करता है
- Executor: बारीक-दाने वाला स्थानीय मूल्यांकन चलाता है
और पर्यावरण इनाम GEMMINI ResNet-50 कर्नेल पर EDP (ऊर्जा-विलंब उत्पाद) में सुधार करने के बारे में है (कम EDP बेहतर है)।
प्रत्येक भूमिका-विशिष्ट एजेंट (Historian, Planner, Executor) धन वहन करता है, और यह धन एपिसोड आगे बढ़ने के साथ उपयोगिता का एक लाइव स्कोरबोर्ड बन जाता है।
जो एजेंट नए सर्वश्रेष्ठ रिकॉर्ड बनाने में मदद करते हैं, वे धन संचय करते हैं। आवधिक किराया सभी को लगातार दंडित करता है (तो औसत दर्जे के एजेंट धीरे-धीरे मर जाते हैं), और एक बार धन शून्य से नीचे चला जाता है तो एजेंट दिवालिया हो जाता है और हटा दिया जाता है।
इस बीच, सबसे अमीर एजेंट म्यूटेटेड "अच्छे-जन्म" वंशज (दोहन) पैदा करते हैं और सबसे कमजोर संशोधित "बुरे-जन्म" वंशज (अन्वेषण) पैदा करते हैं।
विभिन्न कर्नेलों में, बाजार का दबाव स्वचालित रूप से खोज लेता है कि कौन सा विशेषज्ञ वंश वास्तव में मूल्यवान है। कभी-कभी Historian-शैली की स्मृति विरासत में मिले पूर्वाग्रह के कारण ढह जाती है, कभी-कभी एक Planner वंश प्रजनन करता है क्योंकि उच्च-स्तरीय खोज दिशा बाधा है, और कभी-कभी कई भूमिकाएँ सह-अस्तित्व में रहती हैं क्योंकि वे पूरक हैं।
दूसरे शब्दों में, समन्वय और क्रेडिट असाइनमेंट सरल प्रोत्साहनों (धन प्रवाह, किराया, जन्म, दिवालियापन) से उभरता है, बिना किसी केंद्रीय प्रणाली के एक अनुकूली आबादी का उत्पादन करता है! और यही कारण है कि यह दृष्टिकोण मल्टी-एजेंट सिस्टम बनाने का एक शानदार तरीका लगता है।
उभरते व्यवहार / "अहा पल" जो पेपर हाइलाइट करता है
याद रखें कि एक विशिष्ट वातावरण (जैसे MATH) के लिए, वे आरंभीकरण चरण के दौरान अपने एजेंटों को विशिष्ट भूमिकाओं के साथ सीड करते हैं। Planners, Executors, Verifiers। Planner प्रॉम्प्ट वाला एजेंट संभवतः एपिसोड में जल्दी बोली लगाएगा, जबकि verifiers एक ड्राफ्ट समाधान तैयार होने के बाद बोली लगाने की संभावना रखते हैं।
हालाँकि, इस पेपर के बारे में सोचने का यह एक सहज तरीका है, व्यवहार में यह सही मॉडल नहीं है। EOM को पढ़ने का एक उपयोगी तरीका है: वे एक वर्कफ़्लो को हार्ड-कोड नहीं करते हैं, बल्कि वे आर्थिक नियम स्थापित करते हैं, और फिर आबादी स्व-संगठित होकर ऐसे व्यवहारों में बदल जाती है जो आश्चर्यजनक रूप से सीखे गए "एल्गोरिदम" और "संस्थानों" की तरह दिखते हैं।
यहाँ पेपर द्वारा रिपोर्ट किए गए कुछ शानदार निष्कर्ष हैं:
1) क्रेडिट असाइनमेंट एक बाजार संकेत बन जाता है जो पूरी कार्य श्रृंखलाओं का चयन करता है
एक मुख्य अवलोकन यह है कि प्रदर्शन में सुधार होता है क्योंकि अर्थव्यवस्था उपयोगी कार्य श्रृंखलाओं का चयन करती है, उन्हें पुन: उत्पन्न करती है, और उन एजेंटों को हटा देती है जो योगदान नहीं करते हैं। इसलिए समन्वय चयन का एक उभरता गुण है, न कि एक इंजीनियर्ड प्रोटोकॉल।
यह एक "अहा" है क्योंकि यह केवल "एजेंट बेहतर प्रॉम्प्ट करते हैं" नहीं है; सिस्टम इस बारे में बेहतर हो जाता है कि एजेंटों के कौन से अनुक्रम कार्य करते हैं, यानी समय के साथ इंटरैक्शन टोपोलॉजी तेज हो जाती है। OpenAI के Hide-and-Seek पेपर के समान!
2) गैर-मोनोटोनिक सीखने के वक्र: प्रारंभिक अराजकता "उत्पादक" है
Finance-Agent-Bench पर वे स्पष्ट रूप से एक पैटर्न नोट करते हैं: EOM शुरुआत में गिरता है (क्योंकि अन्वेषण वैकल्पिक विशेषज्ञों का परीक्षण करता है) और बाद में ही ठीक होता है और प्रारंभिक प्रदर्शन को पार कर जाता है। यह न्यूरल नेट प्रशिक्षण में Grokking जैसा कुछ है (मुझे लगता है?)।
किसी भी मामले में, यह एक बहुत ही "बाजार-जैसी" घटना है: लेखक कहते हैं (पैराफ्रेज़) "बेहतर विशेषज्ञों/समन्वय की खोज करते समय प्रारंभिक कारोबार और पुन: आवंटन अस्थायी रूप से हेडलाइन प्रदर्शन को नुकसान पहुँचा सकता है"
3) धन प्रक्षेपवक्र "वंश" दिखाते हैं जो हावी होते हैं, और "बुरे जन्म" जो मर जाते हैं
एक्सेलेरेटर डिज़ाइन में, आप सचमुच देख सकते हैं कि उपयोगी वंश बने रहते हैं, संतान पैदा करते हैं, और नीलामी पर हावी होते हैं, जबकि असफल वेरिएंट दिवालिया हो जाते हैं और हटा दिए जाते हैं।
दूसरे शब्दों में, सीखने की इकाई एक एजेंट प्रॉम्प्ट नहीं है: यह धन चयन दबाव के तहत प्रॉम्प्ट का एक विकसित होता पारिवारिक वृक्ष है।
4) टेम्पलेट के बिना पुन: प्रयोज्य डोमेन संरचना की खोज (हस्तांतरणीय ह्यूरिस्टिक्स)
एक विशेष रूप से हड़ताली उभरता व्यवहार: सबसे कठिन एक्सेलेरेटर कर्नेल पर, समाज बार-बार एक विशिष्ट टाइलिंग/डेटाफ़्लो मोटिफ (आउटपुट-स्टेशनरी शैली) पर अभिसरण करता है, भले ही:
- उसे वह मोटिफ़ टेम्पलेट के रूप में नहीं दिया गया है, और
- इनाम केवल "EDP रिकॉर्ड-ब्रेक" है ("आउटपुट-स्टेशनरी का उपयोग करें" जैसे कोई लेबल नहीं)
इसलिए सिस्टम चयन के माध्यम से एक पुन: प्रयोज्य डिज़ाइन ह्यूरिस्टिक सीखता है।
5) प्रॉम्प्ट कॉम्पैक्ट मल्टी-स्टेप रीज़निंग रूटीन (स्व-ऑडिटिंग "चेकलिस्ट") में विकसित होते हैं
वैज्ञानिक शोध में, वे प्रॉम्प्ट विकास की रिपोर्ट करते हैं जहाँ एक EXECUTER वह आंतरिक कर लेता है जिसके लिए पहले अन्य भूमिकाओं की आवश्यकता होती थी, और म्यूटेशन तेजी से स्पष्ट स्व-जाँच** (सिद्धांत-पहले, समरूपता जाँच, व्यवहार्यता जाँच, मिथ्या सिद्ध करने के लिए प्रतिस्थापन) जोड़ते हैं।
एक एजेंट एक सामान्य टेक्स्ट जनरेटर से कम और एक प्रक्रियात्मक मॉड्यूल की तरह अधिक हो जाता है जो एक सीखी हुई वैज्ञानिक व्युत्पत्ति दिनचर्या चलाता है।
6) कार्रवाई अनुशासन: सीखना कब महंगी कार्रवाइयों पर खर्च नहीं करना है (CloudCast)
CloudCast एक पुनरावृत्त कोड-ऑप्टिमाइज़ेशन कार्य है जहाँ एजेंट समाज को एक Python प्रोग्राम में सुधार करना होता है जो कुल डेटा-ट्रांसफर (एग्रेस) लागत को कम करने के लिए एक मल्टी-क्लाउड प्रसार रूटिंग टोपोलॉजी डिज़ाइन करता है। यह उनके परीक्षण बेड में से एक था।
इस CloudCast कार्य में, वे देखते हैं कि अर्थव्यवस्था कार्यक्षेत्र की स्थिति के आधार पर विभिन्न वर्कफ़्लो आकार चुनती है:
- उच्च स्कोर के पास → छोटा "read-edit-evaluate-commit"
- अनिश्चित/पीछे हटा → लंबा "edit-build-evaluate" लूप
यह एक उभरता हुआ संसाधन-जागरूकता व्यवहार है: केंद्रीय नियंत्रण के बिना, कब सावधानी से बनाम आक्रामक रूप से कार्य करना है, इसकी एक समाज-स्तरीय नीति।
पूरा पेपर यहाँ पढ़ें: http://arxiv.org/abs/2606.02859
और Paper Breakdown पर भी, जिसका उपयोग मैंने इस पेपर का अध्ययन करने के लिए किया: http://paperbreakdown.com/abs/2606.02859
पढ़ने के लिए धन्यवाद!
**
