ROMA: Nytt ramverk för AI-agenter med förbättrad prestanda på komplexa uppgifter
Forskare presenterar ROMA (Recursive Open Meta-Agents), ett ramverk som delar upp komplexa AI-uppgifter i mindre deluppgifter för bättre prestanda. I tester förbättrade ROMA med GLM-4.6 noggrannheten med 9,9% jämfört med Kimi-Researcher på SEAL-0-benchmarket, medan DeepSeek-V3 med ROMA presterade lika bra som ledande modeller som Claude Sonnet 4.5.
Djupdykning
ROMA representerar ett betydande framsteg inom AI-agentarkitektur genom att lösa ett av de mest kritiska problemen med nuvarande system - att de blir opålitliga när uppgifterna blir komplexa och långvariga. Genom att dela upp stora uppgifter i mindre, parallella deluppgifter och sedan komprimera resultaten, undviker ramverket de begränsningar som dagens sekventiella system stöter på när kontextfönstren blir för stora. Den modulära designen med fyra tydligt definierade roller gör systemet både transparent och flexibelt, vilket möjliggör att olika AI-modeller kan kombineras optimalt baserat på kostnad, hastighet och kapacitet. Resultaten visar imponerande förbättringar, där ROMA med GLM-4.6 presterar 9,9% bättre än Kimi-Researcher på komplexa resonemangstester, vilket tyder på att detta kan bli en ny standard för hur AI-agenter organiseras. Nyckelinsikt: ROMA visar att framtidens AI-system kommer att vara hierarkiska och modulära snarare än monolitiska, vilket öppnar för mer skalbar och tolkningsbar artificiell intelligens.