--- author: AI Engineer date: '2026-09-26' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=OA-Mc60Rboo speaker: AI Engineer tags: - reinforcement-learning - agentic-workflow - prompt-engineering - pareto-optimization - llm-reasoning title: 用反思超越强化学习：GEPA 与文本级自动优化的新范式 summary: Lakshya A. Agrawal 在演讲中系统阐述了反思性优化框架 GEPA。针对传统强化学习（RL/GRPO）计算昂贵、缺乏中间语义反馈及样本效率低下的痛点，GEPA 利用大模型对执行轨迹的深度反思与帕累托候选选择机制，实现了对提示词、工具调用、智能体架构及代码的自动化离线与持续进化，显著降低优化成本并超越现有基准。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: - Lakshya A. Agrawal companies_orgs: - OpenAI - Shopify - Dropbox products_models: - GEPA - Claude Opus - GPT-4o media_books: [] status: evergreen --- ### 强化学习瓶颈与文本级反思优化之兴起 在当前人工智能训练范式中，使大模型或智能体适应新任务的经典方法通常依赖基于梯度的**监督微调**（Supervised Fine-Tuning: 利用人工标注示范数据进行的参数调整）或**强化学习**（Reinforcement Learning: 基于奖励信号优化策略的试错学习）。尽管这些方法在代码生成和数学推理等确定性领域取得了显著突破，但它们面临极高的样本与计算成本门槛：预训练动辄消耗数万亿 Token，而强化学习流程（例如流行的 GRPO 等算法）往往需要数十万次迭代交互。更关键的是，许多复杂真实的实际应用场景缺乏海量数据和廉价的模拟环境，智能体执行一次任务可能需要调用数小时工具链并产生昂贵的 API 费用。 当传统的在线强化学习方法仅将最终结果归约为单一标量**奖励信号**（Scalar Reward: 仅反映成败或评分的数值，抹平了执行细节）时，整个执行轨迹中极高密度的信息被白白丢弃。一次复杂的智能体执行包含了完整的推理链路、环境状态响应、工具调用错误码与诊断信息。反思性优化的核心突破在于：跳过低密度的纯标量反馈与昂贵低效的梯度微调，直接让大语言模型本身充当反思者与优化器，利用自然语言理解整条执行轨迹的成败得失，在文本语义层面对系统指令、工作流配置及智能体行为进行自适应迭代。
Original English Source Салам аликааит зегьы. Сара Сара сыхьӡуп Лакшаи А. Агарвал, иахьа сара Сара сыхьӡала сцәажәоит Агәыԥ ду ахь Апроблема алацәажәара Арефлексивтә аиӷьтәра, мамзаргьы уи, Ишԥаҳалшо Зхы иақәиҭны Аиӷьтәра азыҳәарақәа, агентцәа иара убас шьаҭас измоу амоделқәа Атеқсттә аимадара. Ҳара иқәҳаргыло азҵаара Ҳалагап: ишԥаҳалшо АИ арҵара ҿыц анагӡара адҵа? Истандарту амҩала Инагӡан ахьанҭарақәа рҿыцтәуп Ацхыраарала Аградиент албаара Ԥасатәи аамҭазы Имҩақәҵоу аҵара иацҵаны аҵара мамзаргьы Аҟынтәи аҵара арӷәӷәара. Иара Ус иҟалеит иҷыданы алҵшәа амоуп, аха иаҭахуп идуӡӡоу аҿырԥштәқәа рхыԥхьаӡара. Триллионла ажетонқәа Иаԥхьанеиуаз азы азыҟаҵара, жәаҩыла Азқьҩыла иазгәаҭоуп Аҿырԥштәқәа иацҵаны аҵара мамзаргьы шәҩыла зқьыла аитерациақәа Аҟынтәи аҵара Арӷәӷәара аҟны абас еиԥш иҟоу аҭыԥқәа аматематика, апрограммаркра, уҳәа убас иҵегьы. Аха, еиҳараҩык Адҵақәа усҵәҟьа иҟаӡам Убас иҟоу адыррақәа рхыԥхьаӡара мамзаргьы Аҳасабратә алшарақәа. ИАРА УБАС ииашаҵәҟьаны апроблемақәа, Уажәы ҳазусҭцәоу Аӡбара аҽазышәара АИ ацхыраарала, Иԥку алҵшәара Аҿырԥштәы ахархәарала . Иаҳҳәарц иаҳҭахузеи? абри ҵаҟа? Ҩ-хҭыск. Аханы- Актәи, иҟоуп илаҟәу Анеирҭа амаҭәар- Аориентациа змоу адырратә ресурсқәа ҵакыс иамоу азхом азы адыррақәа рхыԥхьаӡара Аоффлаин анагӡара алгоритмқәа СФТ. Аҩбатәи, аҭыԥқәа Ҳара иаҳа-иаҳа Ҳара ҳҽазаҳшәоит АИ ахархәара, амазаара зыхә цәгьоу аитерациақәа, уа мамзаргьы LLM аусуратә еишьҭагыла, мамзаргьы агентра Ухала ашьақәыргылара Уара даара уццакуама? зыхә цәгьоу, мамзаргьы аметрикатә Адҵа нагӡахоит Даара иҵаӷаны мамзаргьы ҳаҭыр зқәу. Уи ҳара иаабоит Агентцәа уажәшьҭа ирылшоит Сааҭла аусура еиԥмырҟьаӡакәа. Насгьы Арзаҳал ҟауҵеит ари алгоритм Аҵара режимла Аамҭаҵәҟьа, ари Шәҩыла аҭаххон зқьыла аитерациақәа, урҭ Уи ҟалашьа амаӡамызт аилкаара аарԥшра. Ус ҳара Иаҳа-иаҳа иаҳбоит Агентцәа рхархәара Ииашаҵәҟьаны ахархәара змоу аалыҵқәа Иахьрыԥхьо амыругақәа Иара убас сааҭ рацәала аусура, еиҳагьы иарӷәӷәоит ауадаҩра Ахәарҭадара асамплинг. Уажәтәи адоминант апарадигма Аҟынтәи аҵара Арӷәӷәарала Игәаҭоуп аҳамҭақәа, аба, амодель амазаара адҵа, ҳара ҳара инаҳагӡоит апараллельтә аитерациақәа нас ҳара иҳауеит аҵыхәтәаны аҳамҭа. Аҵыхәтәан, алгоритм, ГРПО еиԥш, абарҭ ааннакылоит аҳамҭақәеи урҭ рахь еиҭанагоит аградиентқәа Шьҭахьҟа ихархәахоит амодел ахь. Аха, еиԥш ҳара иаҳбоит, зегьы рҿы урҭ аитерациақәа рҟынтәи иҟан аинформациа рацәаны, аха ҳара иҳауз хыԥхьаӡарак насгьы Алаҵәара аградиент албаара. Ҳара Иаабоит ишыҟоу ахәыцрақәа рышьаҳагақәа, Аинструмент ааԥхьарақәа Акәша-мыкәша иҟоу, Акәша-мыкәшатә ҭакқәа урҭ ауадаҩрақәа рҿаԥхьа, урҭ Иаҵазар ҟалоит Адырраҭара иазкны агхақәа, урҭгьы Адиагноз шьақәыргылатәуп ахә, ҳара ҳҟынӡа Абарҭ акгьы ҭҵаам. Убри азы Азҵаара ҳара Ҳара ҳазҵаауеит: иҳалшома Абри егьи ухы иархәа Даара ибеиоу аинформациа? Ҳара ҳгәаанагара анагӡарала ишьақәгылоуп Арефлексивтә Аоптимизациа аҟны атекст аҭыԥ, аба аҭыԥан ахархәара мацара Азеро мамзаргьы Изаҵәу асигнал Ҳара иҳалшо аҳамҭақәа Амчратә бызшәа амодель мамзаргьы агент Зегьы анализ рзутәуп анагӡаратә процесс ахь Еилкаа уи иҟалаз, иҟамлаз.
--- ### GEPA 算法内核：进化循环与帕累托前沿选择 为了将反思从单纯的人工调试升级为严谨的算法过程，研究团队提出了 **GEPA**（Generative Evolutionary Prompt/Program Adaptation）框架。在离散自然语言空间中，改变一个短语（例如将“生成一行摘要”改为“生成十行摘要”）即可彻底颠覆模型的行为模式。传统基于随机扰动的梯度下降无法有效跨越这种离散语义断层，而 GEPA 借助进化演化与帕累托优化的双轮驱动来解决该问题。 该算法由两个核心机制构成： * **结构化反思变异**：针对当前候选方案执行失败的轨迹，利用反思机制解析工具调用的中间返回与系统环境报错，诊断失败诱因并生成针对性的文本参数修改建议。 * **帕累托前沿候选池**（Pareto Frontier: 在多项评价指标或不同测试子集上互不劣于其他解的非支配解集）：在进化周期中，系统不单纯保留全局单一得分最高者，而是维护一个帕累托候选集合。这种机制避免了过早收敛到局部最优解，有效防止在修复特定子集缺陷时破坏其他原本表现优异的边界用例。 在与传统 RL 算法（如 GRPO）的对照基准实验中，GRPO 需要经历超过 25,000 次大规模迭代微调才能逐步收敛，而 GEPA 仅需几十次基于反思的语义进化步长，即可在样本与计算开销大幅压缩的情况下达到甚至超越前者的最终性能。
Original English Source Ари азхәыцра алшоит Апотенциалтә зегьы ахархәара Абжьаратәи алҵшәақәа насгьы Даҽа уск анагӡара Аинструмент ааԥхьарақәа , ҿырԥштәыс, аԥшаара аҟны Удыррақәа рышьаҭа акомпаниақәа, анапхгаратә шәҟәқәа, арҵага шәҟәқәа, уҳәа убас иҵегьы. Убри аҟнытә, ари актәи ауп. ихадоу ахәыцра. Аҩбатәи Уи аума Арҿыцра ацымхәрас Акапан хәыҷқәа мацара Ашьаҿақәа, иҳалшоит арҿыцра аҳәара аба ԥсахрак ԥсабаратәуп Абызшәа уанагар алшоит Ихадоу аԥсахрахь ахымҩаԥгашьа. Ҳазхәыцып имариоу аҿырԥштәы. Агәазҩара, Уаԥхьа иҟоуп Иаԥҵатәу адҵа асистема Аихшара атекст. Аҳәараҿы абри асистема иазкны иаҳәоит: "Иаԥҵатәуп цәаҳәак резюме". Сара Сара абри сыԥсахуеит. азыҳәара: "Аԥҵара "10-цәаҳәатәи арезюме." Ҳара зегьы ҳақәшаҳаҭуп Асистема аҟазшьа Акырӡа аҽаԥсахуеит Абри аҟынтә ажәақәа рыԥсахрақәа. Аҟаҵара Ас еиԥш аԥсахра азхоит Ирласны, нас ҳара иҳалшоит Анализ азура ахатә ҟазшьа изакәыҵәҟьоу аилкааразы ԥсахра аҭахуп. Ҳара иаҳҭахызҭгьы Абри аҩыза акы анагӡара Аҟазшьа арҿыцра ҳсистемаҿы амаҭәашьартә ҟәышра, Ҳара иҟаҳҵар акәхон Еишьҭаргыланы анагӡара Зқьыла ахәыҷқәа Аградиент арҿыцрақәа . Ус анакәха, ашьаҭас иҟаҵаны ари ихадоу ахәыцра, ҳара Ҳара иҳадгалоит JEPA— Арефлексивтә техника Аоптимизациа аццакыра агентцәа рзы. Лара Ахархәарақәа Аеволиуциатә цикл Иҿыцӡоу ацны Акандидатцәа ралхра Парето шьаҭас иҟаҵаны, Уашьҭан исҳәаша . Уи аҵара еиԥшуп. Арӷәӷәара ацны атекст аҭыԥ, мап ахьҳамоу аҳамҭа мацара ауп, Иара изкны ирацәаны аилкааразы. Еиҿҳарԥшып JEPA GRPO, Иԥхьагылоу руаӡәк Атехник азыҟаҵара арӷәӷәара. Ара ҳара ҳбоит зегьы реиҳа еиӷьу амодель 25,000 итерациа ашьҭахь. Аусура ацҵара JEPA даҽа ԥыҭҩык рзы ашьаҿақәа ари аҩыза алҵшәақәа ҟанаҵоит, насгьы уи анаҩс, ари апроцесс ус акәӡам иалагалоу. Избан? JEPA аҵара? Аханы Џьоукы реиԥш акәымкәа аметодикақәа,
--- ### “优化一切”：从纯提示词跨越到可执行代码与智能体 传统自动化提示工程方法（如 DSPy 或早期文本优化器）通常局限于优化单一字符串提示，或依赖贪心法仅保留当前最佳版本，极易陷入局部最优。GEPA 破除了这一壁垒，将其进化范式升格为通用的“**优化一切**”（Optimize Anything: 允许将任意文本、代码、配置作为被优化对象的开放架构）接口。任何能够被文本化表达并具备量化或定性评估方式的系统资产，均可直接纳入优化循环。 在具体实现中，GEPA 展现出多维度的应用场景： 1. **多模态与渲染生成**：在代码控制 3D 图元或渲染任务中，系统优化 Python 脚本以生成精确符合几何规范的 PNG 图像，通过反思渲染失真反推代码参数修正。 2. **知识库与 RAG 检索管线**：智能体在面对数千页 API 手册、技术文档或多轮对话归档时，自动调优检索策略、重排提示词与结构化查询。 3. **架构拓扑自适应演化**：超越单一提示，直接优化智能体内部的状态机流转、工具链调用契约甚至代码片段自身，在多轮工具调用出现死循环或超时时自动重构执行逻辑。
Original English Source напыла ажәақәа рырҽеира, Аҽазышәара Аилкаара Аспецификациа Есымша ауадаҩрақәа модель ҿыцк ҭыҵуеит. Уажәы абарҭқәа зегьы апроцесс инагӡаны автоматизациа зызу Џьеппа ицхыраарала, зышьра Сааҭбжак инаркны аамҭа агоит сааҭк аҟынӡа иабзоураны шәконвеиор. Ҳара Ҳаргьы иҳалшоит Џьеппа ахархәара Аԥхьагылаҩ Ахәшьара аҭара амоделқәа раԥҵара, Ҳара иҳамам аамҭа ари зегьы аҭҵаара, аха ари аҿырԥштәқәа рацәаны иҟоуп. Иҟоу агент 4.25% аман адгалара, JEPA ахархәара даҽа ԥсахрақәак, насгьы абри аԥсахрақәа ҟанаҵеит Аԥхьагылаҩ Амодель, уи Аус ауеит еиҳа еиӷьуп, насгьы JEPA автоматла ацхыраара ҟанаҵоит уи аартразы. Ари аҩбатәи ауп. акәымкәа зегьы иреиӷьу. Ацәарҵра азҵаара: избан Аныҟәгара зынӡа Парето еизга? Ҳара ҳахь Лассы-лассы абас ықәдыргылоит азҵаара: ииашаҵәҟьаны Џьепа еиӷьуп алагара аасҭа ацикл аҿы иҟоу амоделқәа? Ҳара иԥышәеит, насгьы Иҟалаз ала, ацикл еиқәнархоит мацара иреиӷьу вариантуп даанхоит аҭыԥантәи оптимум. Ус анакәха, ҳара иаҳзеиԥшуп ахархәара Парето еизга, убри аҟнытә ҳара ҳхы иаҳархәоит Акандидатцәа еиуеиԥшым авариантқәа. Анаҩс уи, Џьепа аус ауеит атекст иарбанзаалак Апараметрқәа рҿы. Иҟоуп афаил уаԥхьа? Уара иулшоит ари афаил аоптимизациа азура. Иуҭахума уара Асистемтә аҳәара аиӷьтәра? Иуҭахума уара Акод аиӷьтәра? Џьепа еилкаауеит абри афаил зегьы. Ус анакәха, ишәылшозар Ари текстҵас ианҵатәуп насгьы ахәшьара аҭара, Џьепа илшоит уи аҟаҵара оптимизациа. Убри азын, Абри ҳхаҿы иааганы, ҳара ҳара иҳадгалоит "оптимизациа" "иарбанзаалак"—универсалтәи Аоптимизациа API иарбанзаалак Атеқст апараметр . Иарбанзаалак аусхк аҿы, Ҿырԥштәыс апрограммақәа, амоделқәа, акод, асистемақәа. Ҳазхәыцып имариоу аҿырԥштәқәа: уара Паитон акод ауп. аҩра аҭахуп, мамзаргьы изылшо Уагент иуҩы, Избанзар ҳара иаҳбеит, "акы аиӷьтәра" ауп ибаша API азы агентцәа хадақәа, Клод иеиԥш иҟоу. Ус анакәха, уара акод ҩы: Аоптимизациа Паитон апрограмма азы 3D аԥҵара акәтаӷьзаҵәы, насгьы алҵшәа аскрипт ауп Паитон аҭыҵра PNG- Арендер ма акы еиԥшу. Насгьы абри ахархәарала уара иулшоит аиӷьтәра Икодекс, Акодекс мамзаргьы Уара бзиа иубо даҽаӡәы агент. Аԥышәақәа Аџыр агентцәа Ихадоу ахәҭа аекосистема ахьыҟоу агентцәа зегьы рзы акодировка еилкаауп, Изакәызеи аҟазара? Иаҳҳәап уара иуҭахуп Аҟазара аиӷьтәра Уара ухазы иҷыдоу аҭаҵәахырҭа. Абар акод, Уара иуҩуа: " Иҵа аҟазара "атраектория иаҵанакуа
--- ### 真实生产验证与模型进化的正向飞轮效应 在真实工业生产环境中，反思性优化已展现出显著的降本增效成果。在多模态文档处理场景中，通过反思式调优主流**视觉大语言模型**（Vision-Language Model: 结合图像识别与文本理解的混合模型），OCR 解析错误率大幅下降 35%。在企业级数据与智能体部署方面，Databricks 的案例证实其在降低推理与工程维护成本的同时提升了数倍的综合生产力；更引人瞩目的是，轻量开源模型在经过充分结构化提示与代码优化后，在专业评测中其表现超越了未优化的早期超大闭源模型（如 Claude Opus）。 针对社区中“底层基础模型越聪明，提示与工程优化价值越低”的常见误解，Lakshya 指出事实恰恰相反：**更强大的基础模型对精准指令与高维策略的反思执行力显著更高**。更优秀的基础智能体不仅能更敏锐地理解细粒度的边界约束，而且在充当优化器与反思仲裁者时能产生更高阶的自省洞见。针对主观性强、难以编写规则判定指标的复杂任务，开发者可以通过少量人工打标数据引导 **LLM 作为裁判**（LLM-as-a-Judge: 利用大语言模型进行质量评估与合规判定的自动化机制），利用 GEPA 持续演化裁判评判准则，从而构建出免受人为维护疲劳干扰、具备自主反思进化能力的完整智能体系。
Original English Source улшоит Ҳара ҳзышьҭоу Арежим Анапынҵарацәа аԥшаара. Аҵыхәтәан, абаҩхатәра аԥҵара— Уҭахызар Аиқәыршәара аиӷьтәра апроблемақәа, аха аамҭазы ашьақәыргыларақәа ирылшоит Ацәырҵра рацәаны аҿыц. Абри аҩыза, аҭагылазаашьаҿы Аоптимизациа Аматематикатә аҳәарақәа: ҳара Ҳара ҳҽазыҟаҳҵоит Аҿырԥштәқәа, аха ашьҭахь Ҳара иҳалшоит ашьақәыргылара Абсолютна аиура азыҳәара хкы ҿыц. Убри аҟнытә, ҳара ҳазҿлымҳауп зеиԥшыртәратә режимқәа. Уаҟа шәара ишәылшоит ақәгылара Аоптимизациа аццакыра , агенттә архитектурақәа уҳәа убас иҵегьы. Ус анакәха, зегьы роптимизациа азура азыманшәалара ахархәара аганқәа рацәаны, иаҵанакуа Аполитика аиӷьтәра Аԥсҭҳәа апланҟаҵара, Иахьҳалшоз Ахарџь армаҷра 40% еиҿырԥшны Аексперт дицны аевристика, аԥҵара ҷыдалатәи ҟазымҵо аӡбагақәа Еиоу ма Оптуна аиааира Апроектқәа рҿгьы Аматематикатә аиӷьтәрақәа, Абаҩхатәра аԥҵара агентцәа, Адҵақәа роптимизациа азура егьырҭгьы. Ари ус ауп Уажәыҵәҟьа Уи ухы иархәа сааҭк рыла ауаа аҵара ианалгалак ашьҭахь Аӡҭарчы еиӷьыртәит џьоукы рхатәы аҩныҵҟатәи бенчмаркқәа иагьиҩит уи атәы Твиттер аҿы. Иара убас Џьепа Еиӷьхоит Аалыҵра амультимодалтә ВЛМ- модельқәа. Ара ҳаҟоуп рылшеит армаҷра OCR агха амҽхак азы Иԥхьагылоу амоделқәа 35% ҟынӡа, насгьы ари Ишьақәырӷәӷәоуп адәныҟатәи аҳасабырба. Убасҵәҟьа, Датабрикс хынтә инаӡеит Ахарџь армаҷра рпродуктивность агентцәа рышьақәыргылара, Аҽыршьцылара анылша ГПТ-ОСС 120Б убас ала Клод Опус дииааит, шықәса анысхыҵуаз хынтә еиҳа хәыҷуп. Ихадоуп аизырҳара аалыҵҟаҵара, уи Клод хыхь иубоит Опус, еиҳа идууп уи аҵкыс иазгәаҭоуп Иаарту амоделқәа акод. Џьоукы дсазҵааит: ус акәӡами Имаҷхоит Аҵакы Аоптимизациа аццакыра Еиӷьхацыԥхьаӡа амоделқәа? Сара исҳәоит аҿаԥхьатәи: иҟәымшәышәны Амодель аиӷьтәра Еиӷьхоит ашьҭанеира аинструкциақәа. Еиҳа Еиҳа ииашоу амҩақәҵарақәа Уара ирацәаны иуҭоит интеллигенттә модель, убри аҟнытә Лара деиӷьуп уара узы ихигоит адҵа. Убри ауп. Ҳара уажәы ҳара ҳахәаԥшуеит. Иреиӷьу ҭабуп Клод Опус имҩақәҵарақәа Иаарԥшу Акыр иҳаракуп алҵшәа. Џьоукы дҵаауеит: иҟаҵатәузеи Асубиективтә Иуадаҩу аусқәа ахәшьара аҭаразы? Аконсерва ҵаула Ахәшьара ҵатәуп Уусқәа ииашоу ашьаҭа змоу аусуратә данноқәа. Иара Абри ауп ишыҟаҵоу: шәара Ажурналқәа реизга агент иусура иара убас Ауаҩы уиазҵаа рҟынӡа абас еиԥш иҟоу аҿырԥштәқәа, инарҭбааны аиқәыршәара ахҳәаақәа. Ари акыр иаууп. аҭак ҟаҵара. Ари кьаҿуп аҭак ҟаҵара. Ари бзиоуп. аҭак ҟаҵара. Абра ахархәара Ус еиԥш иҟоу атерминологиа егьырҭгьы. Абарҭ анроу Ауаҩытәыҩсатә хәшьарақәа, уара ухы иаурхәар улшоит Аоптимизациазы Џьепа LLM аӡбаҩ азы аҳәара. Усҟан иулшоит ахархәара абри LLM- Аӡбаҩ азы уара уоптимизациа агент. Уара Абри аарттәуп агент, насгьы иҟалоит Амеханизм аҽеиӷьтәра, еснагь иҟоу асистема еиӷьнатәуеит. Иара иманшәалоу апарадигма, Иарбан гәыԥқәоу ԥхьагылара змоу ахархәара амоуп ииашоу аалыҵқәа. Анаҩс ҳара иҳазҵаауеит азҵаара: иҟалома Ари ухы иархәа Арефлексивтә азы аиӷьтәра аҵаратә модельқәа? Ааигәа ҳара астатиа ҭнажьит " Ирласны аҵара, насгьы Ашьшьыҳәа, иаба азнеишьа аԥшьигеит , уи алнаршоит аамҭакала Ахьанҭарақәа роптимизациа модельқәеи аҳәарақәеи. Иара амч ду шамоу ааирԥшуеит аҟазшьақәа, Иаҭаху Алгоритмқәа Еиԥмырҟьо арҵара. Сара исымоу маҷуп Адетальқәа рзы аамҭа, убри аҟнытә, Аҳәара сымоуп, ҳгәаҭара астатиақәа. Убри аамҭа инаркны JAX аҭыжьра ахархәара аусуратә ҭыԥ аҿы аус зуа анаплакқәа апроцессқәа, иара убасгьы ишԥа Ихадоу аметодологиа ари астатиақәа рҿы. Абра Dropbox и Shopify анапхгаҩцәа Иалацәажәоит Уԥышәа JAX ахархәарала, насгьы OpenAI аблог ҭнажьит Аԥҵашьа иазкны амаҭәашьартә ҟәыӷара асистемақәа Аинтеллект зхала изҵаз. Аусура даара уалага ус баша. Иара иаҿаԥшуеит иарбанзаалак Ахырхарҭа ма амодель насгьы иамам Ахьыԥшра ӷәӷәақәа . Убри аҟнытә иулшоит ашьақәыргылара иарбан ҭагылазаашьазаалакгьы. Мамоу Аныхра иацәшәо Аоптимизациа аҩаӡараҿы атекст, избанзар ирацәоуп Аусқәа рырмаҷра алшоит оптимизациахь. Адгалара Аоптимизаторцәа Иахьынӡазалшо Ахәарҭа злоу аинформациа насгьы иҷыдоу адыррақәа Утема иазкны амахәҭа. Аоптимизаторқәа ԥхьаҟатәи аамҭа иалшоит абри ала еффективла аусура. Аҳәара сымоуп , иԥышәшәа Ухала игәаҭ. Иҭабуп даараӡа.