Parameter Golf ഞങ്ങളെ എന്താണ് പഠിപ്പിച്ചത്
1,000+ പങ്കാളികൾ, 2,000+ സമർപ്പണങ്ങൾ, കൂടാതെ കോഡിംഗ് ഏജന്റുകൾ രൂപപ്പെടുത്തിയ ഒരു ഓപ്പൺ മെഷീൻ ലേണിംഗ് ചലഞ്ചിൽ നിന്നുള്ള പാഠങ്ങൾ.
മെഷീൻ ലേണിംഗ് ഗവേഷണ സമൂഹത്തെ, സങ്കീർണ്ണവും എന്നാൽ കർശനമായ നിയന്ത്രണങ്ങളുള്ളതുമായ പുതിയൊരു പ്രശ്നം അടുത്തറിയാൻ പ്രോത്സാഹിപ്പിക്കുന്നതിനും പിന്തുണയ്ക്കുന്നതിനുമായാണ് ഞങ്ങൾ Parameter Golf ആരംഭിച്ചത്. യഥാർത്ഥ സാങ്കേതിക സർഗ്ഗാത്മകതയ്ക്ക് അർഹമായ പ്രതിഫലം നൽകുന്ന തരത്തിൽ താൽപ്പര്യം ഉണര്ത്തുന്നതും, അതേസമയം ആശയപരമായി ലളിതവും പരിശോധിക്കാൻ എളുപ്പവുമായിരിക്കണം ഈ വെല്ലുവിളിയെന്നും ഞങ്ങൾ ആഗ്രഹിച്ചു.
പങ്കെടുക്കുന്നവർക്ക് 8×H100-കളിൽ 10 മിനിറ്റ് ട്രെയിനിംഗ് സമയം മാത്രമാണ് നൽകിയിരുന്നത്. ഈ സമയപരിധിക്കുള്ളിൽ നിന്നുകൊണ്ട്, മോഡൽ വെയ്റ്റുകളും ട്രെയിനിംഗ് കോഡും ഉൾപ്പെടെ ആകെ 16 MB വലിപ്പത്തിൽ താഴെയുള്ള ഒരു ആർട്ടിഫാക്റ്റ് ഉപയോഗിച്ച്, നിശ്ചിത FineWeb ഡാറ്റാസെറ്റിലെ 'ഹെൽഡ്-ഔട്ട് ലോസ്' ഏറ്റവും കുറഞ്ഞ അളവിൽ എത്തിക്കുക എന്നതായിരുന്നു വെല്ലുവിളി. ഇതിനായി ഞങ്ങൾ ഒരു ബേസ്ലൈൻ, ഡാറ്റാസെറ്റ്, ഇവാലുവേഷൻ സ്ക്രിപ്റ്റുകൾ എന്നിവ നൽകിയിരുന്നു; അതുവഴി പങ്കെടുക്കുന്നവർക്ക് റിപ്പോസിറ്ററി ഫോർക്ക് ചെയ്യാനും, മോഡൽ മെച്ചപ്പെടുത്തി ഫലങ്ങൾ GitHub വഴി സമർപ്പിക്കാനും സാധിച്ചു.
എട്ട് ആഴ്ചകൾക്കുള്ളിൽ, 1,000-ലധികം പങ്കാളികളിൽ നിന്നായി 2,000-ലേറെ സമർപ്പണങ്ങൾ ഞങ്ങൾക്ക് ലഭിച്ചു. ഒപ്റ്റിമൈസർ ട്യൂണിംഗ്, ക്വാണ്ടൈസേഷൻ എന്നിവയിലെ കൃത്യതയാർന്ന പ്രവർത്തനങ്ങൾ മുതൽ പുതിയ മോഡലിംഗ് ആശയങ്ങളും ടെസ്റ്റ്-ടൈം ട്രെയിനിംഗും വരെ, ഈ സമർപ്പണങ്ങളിലുടനീളം കണ്ട സാങ്കേതിക വൈവിധ്യവും സർഗ്ഗാത്മകതയും നിയമങ്ങൾക്കതീതമായ നൂതന പരീക്ഷണങ്ങളും ഞങ്ങളെ വളരെയധികം ആകർഷിച്ചു.
ഈ ചലഞ്ചിലെ ഏറ്റവും ആവേശകരമായ ഭാഗങ്ങളിൽ ഒന്ന്, പങ്കാളികൾ AI കോഡിംഗ് ഏജന്റുകളെ എത്ര വ്യാപകമായി ഉപയോഗിച്ചു എന്നത് കാണുന്നതായിരുന്നു. ഏജന്റുകൾ പരീക്ഷണങ്ങളുടെ ചെലവ് കുറയ്ക്കാൻ സഹായിച്ചു, കൂടുതൽ ആളുകൾക്ക് പങ്കെടുക്കാന് എളുപ്പമാക്കി, മത്സരത്തിന്റെ വേഗത തന്നെ മാറ്റി. അതോടൊപ്പം, സമർപ്പണ അവലോകനം, ആട്രിബ്യൂഷൻ, സ്കോറിംഗ് എന്നിവയ്ക്കായി പുതിയ വെല്ലുവിളികളും സൃഷ്ടിച്ചു.
ഈ ചലഞ്ച് ഞങ്ങളെ സംബന്ധിച്ചിടത്തോളം അസാധാരണമായ കഴിവുകളെ കണ്ടെത്താനുള്ള ഒരു സുപ്രധാന വേദിയായി മാറി. Parameter Golf-ന്റെ ലക്ഷ്യങ്ങളിൽ ഒന്ന് ഇതായിരുന്നു. ഇത്തരം ഓപ്പൺ-എൻഡഡ് സാങ്കേതിക ചലഞ്ചുകൾ, മെഷീൻ ലേണിംഗിലുള്ള മികച്ച അഭിരുചിയും സ്ഥിരോത്സാഹവും വെളിപ്പെടുത്താൻ സഹായിക്കുമെന്നതിനുള്ള ഒരു വ്യക്തമായ സൂചനയായിരുന്നു ഇത്.
ഈ പോസ്റ്റിൽ, ഞങ്ങളെ അതിശയിപ്പിക്കുകയും ആകർഷിക്കുകയും ചെയ്ത ചില സമർപ്പണങ്ങളെ ഞങ്ങൾ ഹൈലൈറ്റ് ചെയ്യുന്നു. കൂടാതെ ശക്തമായ AI ഏജന്റുകളുടെ കാലത്ത് ഒരു കോഡിംഗ് മത്സരം നടത്തുന്നതിൽ നിന്ന് ഞങ്ങൾ എന്താണ് പഠിച്ചതെന്ന് പങ്കിടുകയും ചെയ്യുന്നു.
റെക്കോർഡ്-ട്രാക്ക് ലീഡർബോർഡിലെ ഓരോ സമർപ്പണവും ഞങ്ങൾ വിലയിരുത്തുകയും സ്വതന്ത്രമായി പുനരുത്പാദിപ്പിക്കുകയും ചെയ്തു. കൂടാതെ ഓരോ സമർപ്പണവും സമർപ്പിച്ച സമയത്ത് റെക്കോർഡ് തകർത്തതാണെന്ന് സ്ഥിരീകരിക്കുകയും ചെയ്തു. ചില പ്രധാന തീമുകൾ പ്രത്യേകം ശ്രദ്ധിക്കപ്പെട്ടു.
പരിശീലന ഓപ്റ്റിമൈസേഷൻ
ഏറ്റവും ശക്തമായ ചില ഫലങ്ങൾ നിലവിലുള്ള ഘടകങ്ങളെ സൂക്ഷ്മമായി ട്യൂൺ ചെയ്തതിൽ നിന്നാണ് വന്നത്.
| സമർപ്പണം | സംഭാവനകൻ | സാങ്കേതികത | എന്തുകൊണ്ട് അവ പ്രധാനമാകുന്നു |
| #60 | @notapplica | സംയോജിതം #50-ൽ നിന്നുള്ള മുൻ വിജയങ്ങൾ, #42, കൂടാതെ സാധ്യതയുള്ള #39, തുടർന്ന് Muon weight decay, spectral embedding initialization, residual-mix scheduling, compiled evaluation എന്നിവ ഉപയോഗിച്ച് കൂടുതൽ ആഴമുള്ള മോഡൽ പ്രവർത്തിക്കാൻ കാരണമായി. ക്രമബദ്ധമായ ലീഡർബോർഡ് പ്രവർത്തനത്തിന്റെ ശക്തമായ ഉദാഹരണം: നിലവിലുള്ള ഏത് മെച്ചപ്പെടുത്തലുകളാണ് പ്രധാനപ്പെട്ടതെന്ന് തിരിച്ചറിയുകയും അവയെ വൃത്തിയായി സംയോജിപ്പിക്കുകയും ചെയ്യുക. |
ക്വാണ്ടൈസേഷൻ
നിരവധി സമർപ്പണങ്ങൾ കംപ്രഷനെയും എക്സ്പോർട്ടിനെയും ശക്തമായി മുന്നോട്ട് നയിച്ചു.
| സമർപ്പണം | സംഭാവനകൻ | സാങ്കേതികത | എന്തുകൊണ്ട് അവ പ്രധാനമാകുന്നു |
| #414 | @signalrush | ഉപയോഗിച്ചു പരിശീലനത്തിന് ശേഷം വെയിറ്റുകൾ ക്വാണ്ടൈസ് ചെയ്യാൻ GPTQ-lite. | The GPTQ-lite വിജയകരമായി ഉപയോഗിച്ച ആദ്യ ലീഡർബോർഡ് സമർപ്പണം, ഇത് മികച്ച മൂല്യനിർണ്ണയത്തിലേക്ക് നയിച്ചു. |
| #1060 | @dexhunter | പൂർണ്ണ Hessian GPTQ വിജയകരമായി ഉപയോഗിക്കാൻ @raahilshah ന്റെ #634 അടിസ്ഥാനമാക്കി നിർമ്മിച്ചു. | മുമ്പത്തെ ക്വാണ്ടൈസേഷൻ പ്രവർത്തനം കൂടുതൽ ശക്തമായ കംപ്രഷൻ പാത്തിലേക്ക് വികസിപ്പിച്ചു. |
ടെസ്റ്റ്-ടൈമും മൂല്യനിർണയ തന്ത്രങ്ങളും
ചില സമർപ്പണങ്ങൾ മോഡൽ മെച്ചപ്പെടുത്തലും മൂല്യനിർണയ തന്ത്രവും തമ്മിലുള്ള അതിർത്തിയെ തന്നെ നീട്ടി. നിയമങ്ങൾ പ്രകാരം ഈ സമീപനങ്ങൾ സാധുവായിരുന്നു, പക്ഷേ സംഘാടകരായ ഞങ്ങളിൽ നിന്ന് സൂക്ഷ്മമായ അവലോകനം ആവശ്യമായി വന്നു.
| സമർപ്പണം | സംഭാവനകൻ | സാങ്കേതികത | എന്തുകൊണ്ട് അവ പ്രധാനമാകുന്നു | |||
| #77 | @samacqua | ഉപയോഗിച്ചു സ്കോർ-ഫസ്റ്റ്, ഓരോ ഡോക്യുമെന്റിനുമുള്ള LoRA ടെസ്റ്റ്-ടൈം ട്രെയിനിംഗ്: ആദ്യം സ്കോർ ചെയ്യുക, ഇതിനകം സ്കോർ ചെയ്ത ഖണ്ഡങ്ങളിൽ മാത്രം അഡാപ്റ്റ് ചെയ്യുക, ഡോക്യുമെന്റ് അതിർത്തികളിൽ റീസെറ്റ് ചെയ്യുക. നിയമങ്ങൾക്കു കീഴിൽ റിവ്യൂ ചെയ്യാവുന്നതായി തുടരുമ്പോൾ തന്നെ മോഡൽ മെച്ചപ്പെടുത്തലും മൂല്യനിർണ്ണയ തന്ത്രവും തമ്മിലുള്ള അതിർത്തി മുന്നോട്ട് നീക്കി. | a href=""https://github.com/openai/parameter-golf/pull/1019""]#1019[/a]" | @abaybektursun | ഉപയോഗിച്ചു സ്വയം സൃഷ്ടിച്ച GPTQ കാലിബ്രേഷൻ: പരിശീലിപ്പിച്ച മോഡലിൽ നിന്ന് കാലിബ്രേഷൻ ടെക്സ്റ്റ് സൃഷ്ടിക്കുക, തുടർന്ന് ആ ആക്റ്റിവേഷനുകളിൽ നിന്ന് GPTQ Hessians നിർമ്മിക്കുക. | A സംഘാടകരിൽ നിന്ന് സൂക്ഷ്മമായ അവലോകനം ആവശ്യമായിരുന്ന സൃഷ്ടിപരമായ കാലിബ്രേഷൻ തന്ത്രം. |
പുതിയ മോഡലിംഗും ഡാറ്റ ആശയങ്ങളും
ചില സമർപ്പണങ്ങൾ പ്രത്യേകമായും സൃഷ്ടിപരമായ മോഡലിംഗ് അല്ലെങ്കിൽ ഡാറ്റ ആശയങ്ങൾ തന്നെ അവതരിപ്പിച്ചു.
| സമർപ്പണം | സംഭാവനകൻ | സാങ്കേതികത | എന്തുകൊണ്ട് അവ പ്രധാനമാകുന്നു |
| #1729 | @romeerp | CaseOps ടോക്കൺ അവതരിപ്പിച്ചു: ഒറിജിനൽ-ബൈറ്റ് BPB സൈഡ്കാർ അക്കൗണ്ടിംഗോടുകൂടിയ നഷ്ടരഹിത ക്യാപിറ്റലൈസേഷൻ Operator ടോക്കൺ. | ഒരു സൃഷ്ടിപരമായ ടോക്കണൈസറും ഡാറ്റാ-പ്രതിനിധാന ആശയവും. |
| #265 | @unnir | അവതരിപ്പിച്ചു XSA, GQA-അവബോധമുള്ള ഗ്രൂപ്പുചെയ്ത വ്യൂകളോടുകൂടിയ കാര്യക്ഷമമായ ഭാഗിക Exclusive Self Attention സമീപനം. | കൊണ്ടുവന്നത് കാര്യക്ഷമമായ ഒരു അറ്റൻഷൻ വകഭേദം ചലഞ്ചിലേക്ക്. |
| #65 | @aquariouseworkman | അവതരിപ്പിച്ചു SmearGate ഉം BigramHash ഉം: പഠിപ്പിച്ച മുൻ-ടോക്കൺ എംബെഡ്ഡിംഗ് ബ്ലെൻഡും സമീപസ്ഥ-ടോക്കൺ-ജോഡി ഹാഷ് ഫീച്ചറുകളും. | ചേർത്തു പുതിയ ഫീച്ചർ സംവിധാനങ്ങൾ ആദ്യം മുതൽ. |
| #1204 | @msisovic | അവതരിപ്പിച്ചു മിനി ഡെപ്ത് റിക്കറൻസ്: 4, 5 ലെയറുകൾ ആവർത്തിച്ചു, മിഡ്-ട്രെയിനിംഗ് വരെ റിക്കറൻസ് വൈകിപ്പിച്ചു, ആവർത്തിച്ച MLP-കൾ ഭാഗികമായി അൺടൈ ചെയ്തു. | റിക്കറന്റ് ലെയറുകൾ ഫലപ്രദമായി പ്രവർത്തിക്കാൻ സാധ്യമാക്കിയ ആദ്യ അംഗീകരിക്കപ്പെട്ട ലീഡർബോർഡ് റോ. |
ഈ ചലഞ്ച് പുറത്തുകൊണ്ടുവരുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിച്ച വിവിധ തരത്തിലുള്ള ഫലങ്ങളെ പ്രതിനിധീകരിക്കുന്നതിനാലാണ് ഞങ്ങൾ ഈ ഒൻപത് സമർപ്പണങ്ങളെ പ്രത്യേകം ഹൈലൈറ്റ് ചെയ്യാൻ തീരുമാനിച്ചത്. ചില പങ്കാളികൾ സൂക്ഷ്മമായ ട്യൂണിംഗിലൂടെ നേട്ടങ്ങൾ കണ്ടെത്തിയപ്പോൾ, മറ്റുചിലർ ക്വാണ്ടൈസേഷൻ, ലോ-റാങ്ക് സാങ്കേതികവിദ്യകൾ എന്നിവയെ പരമാവധി പ്രയോജനപ്പെടുത്തി. ചിലർ മൂല്യനിർണ്ണയ നിയമങ്ങളുടെ സാധ്യതകളെ പര്യവേക്ഷണം ചെയ്തു. കൂടാതെ, നിരവധി പേർ സാഹിത്യങ്ങളിൽ നിന്നോ സ്വന്തമായോ ഉള്ള പുതിയ മോഡലിംഗ് അല്ലെങ്കിൽ ഡാറ്റാ ആശയങ്ങൾ അവതരിപ്പിക്കുകയും, അവ അപ്രതീക്ഷിതമായ പുരോഗതികൾ കൈവരിക്കുകയും ചെയ്തു.
നോൺ-റെക്കോർഡ് ട്രാക്ക് നിരവധി സർഗ്ഗാത്മകമായ സമർപ്പണങ്ങളാൽ സമ്പന്നമായിരുന്നു. അതിൽ നിന്ന് ഏറ്റവും ശ്രദ്ധേയമായ 15 എണ്ണം ഞങ്ങൾ ഹൈലൈറ്റ് ചെയ്തു; നോൺ-ഓട്ടോറിഗ്രസീവ് ടെക്സ്റ്റ് മോഡലിംഗ് മുതൽ ഡയനാമിക് ടോക്കനൈസേഷൻ വരെയുള്ള വൈവിധ്യമാർന്ന സമീപനങ്ങൾ ഇതിൽ ഉൾപ്പെടുന്നു.
ഈ ട്രാക്ക് കൂടുതൽ പരീക്ഷണാത്മകമായതിനാൽ, പ്രകടനക്ഷമതയെക്കാൾ സാങ്കേതികമായി ആ സമീപനം എത്രത്തോളം താല്പര്യമുണർത്തുന്നതാണ് എന്നതിനാണ് ഞങ്ങൾ കൂടുതൽ ശ്രദ്ധ നൽകിയത്. ഇതിൽ മൂന്ന് സമർപ്പണങ്ങൾ പ്രത്യേകിച്ച് വേറിട്ടുനിന്നു:
പെർഫോമൻസിന്റെ കാര്യത്തിൽ മുൻപന്തിയിലുള്ള മൂന്നെണ്ണത്തിലില്ലെങ്കിലും, നോൺ-റെക്കോർഡ് വിഭാഗത്തിലെ ഏറ്റവും ശ്രദ്ധേയമായ മൂന്ന് സമർപ്പണങ്ങളായി ഞങ്ങൾ ഇവയെ കരുതുന്നു.
അതൊരു പരീക്ഷണാത്മക വിഭാഗമായിരുന്നെങ്കിലും, നോൺ-റെക്കോർഡ് ട്രാക്ക് അപ്പോഴും ശക്തമായ മത്സരത്തിന് വേദിയായിരുന്നു. നോൺ-റെക്കോർഡ് ലീഡർബോർഡിലെ പകുതിയോളം എൻട്രികളും 1.22 BPB എന്ന അടിസ്ഥാന സ്കോറിനെ മറികടന്നു. ഇതിൽ ഒന്നാം സ്ഥാനത്തെത്തിയ എൻട്രി 1.12 BPB എന്ന നേട്ടം കൈവരിക്കുകയും ചെയ്തു.
ഇത് വളരെ പ്രോത്സാഹജനകമാണെന്ന് ഞങ്ങൾക്ക് തോന്നി. ശക്തമായ ട്രാൻസ്ഫോർമർ ബേസ്ലൈനുകൾക്ക് മുന്നിൽ പോലും, നിലവിൽ മുൻപന്തിയിലുള്ള ആർക്കിടെക്ചറുകളോട് കിടപിടിക്കാൻ മറ്റ് ബദൽ സമീപനങ്ങൾക്ക് ചിലപ്പോഴൊക്കെ സാധിക്കുന്നുണ്ട്.
ശക്തമായ കോഡിംഗ് ഏജന്റുകളുടെ ലഭ്യതയിൽ നിന്ന് ഈ ട്രാക്ക് പ്രത്യേകിച്ച് പ്രയോജനം നേടുന്നു എന്നും ഞങ്ങൾ കരുതുന്നു. മുമ്പ് ചെറിയൊരു മത്സരത്തിൽ പരീക്ഷിക്കാൻ വളരെ സമയം പിടിക്കുമെന്നോ അനിശ്ചിതമാണെന്നോ തോന്നിയിരിക്കാവുന്ന സമീപനങ്ങൾ ഉൾപ്പെടെ, അനുമാനാത്മക ആശയങ്ങളുടെ പ്രോട്ടോടൈപ്പുകൾ വളരെ കുറഞ്ഞ ചെലവിൽ സൃഷ്ടിക്കാൻ ഏജന്റുകൾ സഹായിച്ചു.
Parameter Golf-നും അതുപോലുള്ള മുൻകാല മത്സരങ്ങൾക്കും ഇടയിലെ ഒരു പ്രധാന വ്യത്യാസം കോഡിംഗ് ഏജന്റുകളുടെ വ്യാപകമായ ഉപയോഗമായിരുന്നു. സമർപ്പിച്ചവരിൽ ഭൂരിഭാഗവും അവരുടെ പ്രവർത്തനത്തിന്റെ ഭാഗമായി ഏജന്റുകൾ ഉപയോഗിച്ചതായി പരാമർശിച്ചു.
അത് പ്രവേശനത്തിനുള്ള തടസ്സം കുറച്ചു. പങ്കെടുത്തവർക്ക് പരീക്ഷണങ്ങൾ കൂടുതൽ വേഗത്തിൽ സജ്ജീകരിക്കാനും, പരിചയമില്ലാത്ത കോഡ് പരിശോധിക്കാനും, കുറഞ്ഞ തടസ്സങ്ങളോടെ ആശയങ്ങൾ പരീക്ഷിക്കാനും കഴിഞ്ഞു. $1,000,000 മൂല്യമുള്ള കമ്പ്യൂട്ട് വിഭവങ്ങളുടെ Runpod-ന്റെ പ്രായോജകത്വവും ഈ ചലഞ്ച് കൂടുതൽ ആളുകൾക്ക് പ്രാപ്യമാക്കുന്നതിൽ വലിയ പങ്കുവഹിച്ചു.
അതേ സമയം, ഏജന്റ് ഉപയോഗം സമർപ്പണത്തിനും സ്കോറിംഗിനും പുതിയ പ്രശ്നങ്ങൾ സൃഷ്ടിച്ചു. പല സമർപ്പണങ്ങളും അടിസ്ഥാനപരമായി പുതിയ സമീപനങ്ങളല്ലാതെ, നിലവിലുള്ള മുൻനിര സ്കോറർമാരിലെ ചെറിയ മാറ്റങ്ങളായിരുന്നു. ഇത് പലപ്പോഴും ഉപകാരപ്രദമായിരുന്നു: ശക്തമായ ആശയങ്ങൾ വേഗത്തിൽ പടർന്നു, മറ്റുള്ളവർ അവയെ കൂടുതൽ മെച്ചപ്പെടുത്തി. പക്ഷേ ഇത് ശബ്ദവും സൃഷ്ടിച്ചു. മത്സര മാർഗ്ഗനിർദേശങ്ങൾക്ക് പുറത്തുള്ള സമർപ്പണങ്ങൾ അസാധാരണമായി ശക്തമായ സ്കോറുകൾ ഉണ്ടാക്കിയപ്പോൾ, മറ്റ് ഏജന്റുകൾ ചിലപ്പോൾ ആ ആശയങ്ങൾ പകർത്തുകയും അതേ അസാധുവായ വഴിയിലൂടെ തുടരുകയും ചെയ്തു എന്നതും ശ്രദ്ധേയമാണ്.
സമർപ്പണങ്ങളുടെ അളവ് മത്സരത്തെ നടത്തേണ്ട രീതിയും മാറ്റി. ഓരോ സമർപ്പണവും മാനുവലായി പരിശോധിച്ചുകൊണ്ട് ലീഡർബോർഡ് മുന്നോട്ട് കൊണ്ടുപോകാൻ ഞങ്ങൾക്ക് കഴിഞ്ഞില്ല. ചലഞ്ചിനിടെ, പുതിയ സമർപ്പണങ്ങൾ നിരീക്ഷിക്കാനും മനുഷ്യ അവലോകനത്തിനായി അവ ഫ്ലാഗ് ചെയ്യാനും ഞങ്ങൾ Codex അടിസ്ഥാനമാക്കിയ ഒരു ആന്തരിക ട്രയാജ് ബോട്ട് വികസിപ്പിച്ചു. ഒരു ദിവസം നൂറുകണക്കിന് സമർപ്പണങ്ങൾ ലഭിച്ച കാലയളവുകളിൽ ഇത് പ്രത്യേകിച്ച് പ്രധാനമായി.
ഈ ചലഞ്ചുമായി ബന്ധപ്പെട്ട കമ്മ്യൂണിറ്റിയുടെ ഭാഗമായി AI ഏജന്റുകളും മാറി. മത്സരത്തിന്റെ ഭൂരിഭാഗം സമയത്തും, @notapplica-യും അവരുടെ കോഡിംഗ് ഏജന്റും ചേർന്ന് ഒരു "ലൈവ് അപ്ഡേറ്റ്സ്" ബുള്ളറ്റിൻ നടത്തിയിരുന്നു; ഇത് പ്രധാന സംഭവങ്ങൾ ട്രാക്ക് ചെയ്യുകയും ലീഡർബോർഡിലെ സമീപനങ്ങൾ വിശദീകരിക്കുകയും മറ്റ് പങ്കാളികളെ മത്സരത്തെക്കുറിച്ച് കൂടുതൽ മനസ്സിലാക്കാൻ സഹായിക്കുകയും ചെയ്തു. കുറഞ്ഞ പ്രവൃത്തിപരിചയമുള്ള പങ്കാളികൾക്ക് തങ്ങളുടെ സമർപ്പണങ്ങൾ നിയമങ്ങൾക്കുള്ളിലാണോ എന്ന് പരിശോധിക്കാനും, സാധാരണയായി സംഭവിക്കാവുന്ന പിഴവുകൾ ഒഴിവാക്കാനും സഹായിക്കുന്ന കമ്മ്യൂണിറ്റി റിവ്യൂ ടൂളുകളും ഇതോടൊപ്പം പ്രത്യക്ഷപ്പെട്ടു.
യോഗ്യരായ പങ്കാളികൾക്ക്(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പങ്കെടുക്കാനും മെഷീൻ ലേണിംഗ് ഗവേഷണം അനുഭവിച്ചറിയാനും കഴിയുന്ന ഒരു ചലഞ്ച് ആരംഭിക്കുക എന്നതായിരുന്നു ഞങ്ങളുടെ പ്രധാന ലക്ഷ്യം. Parameter Golf സാങ്കേതികമായി ശക്തവും സൃഷ്ടിപരവുമായ വൈവിധ്യമാർന്ന സമർപ്പണങ്ങളെ ആകർഷിച്ചു. കൂടാതെ AI ഏജന്റുകൾ കൂടുതൽ കഴിവുള്ളതും വ്യാപകമായി ഉപയോഗിക്കപ്പെടുന്നതുമായ സാഹചര്യത്തിൽ തുറന്ന ഗവേഷണ മത്സരങ്ങൾ എങ്ങനെ മാറാം എന്നതിനെക്കുറിച്ച് കൂടുതൽ വ്യക്തമായൊരു കാഴ്ചപ്പാടും ഇത് ഞങ്ങൾക്ക് നൽകി.
ഭാവിയിൽ ഇതുപോലുള്ള കൂടുതൽ ചലഞ്ചുകൾ ആരംഭിക്കുന്നതിനെക്കുറിച്ച് ഞങ്ങൾ ആലോചിക്കുന്നു. നിങ്ങൾക്ക് താൽപ്പര്യമുണ്ടെങ്കിൽ, ദയവായി ചലഞ്ച് പങ്കാളിത്ത ഫോം(പുതിയ വിൻഡോയിൽ തുറക്കുന്നു) പൂരിപ്പിക്കുക.
