数個の指示で自前モデルを後学習、Trajectoryが示す継続学習の新基盤

数個のプロンプトから訓練・評価・配備まで一気通貫

「Imagine if everyone had the tools to shape intelligence itself. That day is today.」

Trajectory共同創業者のRonak Malde氏（@rronak_、元Google DeepMind、WindsurfのSWE-1、Stanford）がXで発表したのは、自前モデルを後学習するためのプラットフォームだ。数個のエージェント指示で、学習・評価・配備までをこなすクリエイティブスイートにアクセスでき、兆パラメータ級モデルへの対応をうたう。

単発のファインチューニングではなく、モデルが世界から学び続けるための基盤と位置づけている点が特徴だ。開発者は自らの価値関数を定義し、モデルの振る舞いを継続的に調整できる。

参照先[1]

継続採点とGS1が変える、配備後も学ぶモデル

発表では2つの研究プレビューも示された。Continual gradingは、人手で採点しきれない量の好みを学習に反映し、モデルが「何が良いか」をより広い範囲から学べるようにする仕組みだ。

GS1は、モデルが本番環境で実際に取った行動から直接学習する新しいアルゴリズム。配備後に起きる振る舞いを学習材料へ変えることで、単発の調整ではなく継続的な改善を目指す。

• Continual gradingは採点のスケールを拡張し、好みの学習を厚くする
• GS1は本番での行動そのものを直接学習に利用する
• いずれも研究プレビューとして公開された段階

参照先[1]

セコイア主導6000万ドル調達が示す『自前インテリジェンス』の射程

同社はセコイア主導の新ラウンドで6000万ドルを調達し、評価額は3億ドルと発表した。モデル訓練を民主化し、弁護士、医師、エンジニアが自分たちのインテリジェンスを所有できる世界を掲げる。

「Know what good looks like, now go build it. Own your own value function with Trajectory.」という呼びかけ通り、良さの基準を自ら持ち、それをモデルに埋め込むための道具立てを狙っている。

参照先[1]