Ariaska RL
Istraživanje višeagentnog učenja potkrepljivanjem
Eksperimentalna istraživačka platforma osnivača Filipa Volfa: pet agenata sa različitim ulogama uči potkrepljivanjem u izolovanim, simuliranim okruženjima, a jezički model je samo opcioni mentor koji se može isključiti.
- Status
- Eksperimentalno · oporavak jezgra spojen 17. 10. 2026. · delimična istraživačka spremnost
- Uloga
- Istraživački projekat osnivača, objavljen sa dostupnim izvornim kodom pod nekomercijalnom licencom. Nije DEUS proizvod za klijente.
- Tehnologije
- Python
- PyTorch
- pytest
- GitHub Actions
- Opcioni lokalni ili cloud LLM mentor
01Istraživačko pitanje
Koliko tim specijalizovanih agenata može da napreduje učenjem potkrepljivanjem kada je jezički model samo opcioni učitelj — i kako takvo istraživanje održati ponovljivim?
02Arhitektura
Pet uloga, jedno jezgro odlučivanja.
Kako je sistem za učenje organizovan, prema dokumentaciji repozitorijuma.
Opcioni mentor
Lokalni ili cloud jezički model. Njegove demonstracije postaju signali kloniranja ponašanja, a može se i potpuno isključiti.
Pet politika uloga
Svaka uloga uči sopstvenu PPO actor-critic politiku.
Pomoćni učenici
SAC, double DQN i istraživanje vođeno radoznalošću oko glavnih politika.
Jezgro odlučivanja
Ponderisana arbitraža nad kandidatima koje uloge predlažu.
Izolovano simulirano okruženje
Istraživanje se odvija u izolovanim, simuliranim okruženjima; CI paket radi oflajn, bez mrežnog pristupa i pokretanja alata.
Šta je izgrađeno
- Pet politika uloga, svaka kao PPO actor-critic, uz ponderisano jezgro odlučivanja koje bira između predloženih akcija
- Pomoćni učenici oko glavnih politika: SAC, double DQN i istraživanje vođeno radoznalošću (RND)
- Opcioni mentor — lokalni ili cloud jezički model — čije demonstracije postaju signali kloniranja ponašanja, a isključuje se jednim podešavanjem
- Oflajn CI na GitHub Actions sa zabranjenim mrežnim pristupom i pokretanjem alata, uz kontrolne tačke koje vraćaju svih pet politika zajedno sa stanjem optimizatora i generatora slučajnih brojeva
03Inženjerski akcenti
Ponovljivo po pravilu
Završni lokalni paket beleži 3.318 uspešnih testova (6 preskočenih, 0 neuspešnih); sintetička evaluacija na tri semena ponovljena je identično do bajta.
Uči i bez mentora
Sa isključenim mentorom svih pet uloga je završilo po dva ažuriranja politike bez ijednog zahteva jezičkom modelu.
Pošteni rezultati
Na sintetičkom testu trenirane politike dostižu 96,18% prosečne tačnosti naspram 48,8–50,5% za osnovne modele (±3,58 p. p. između semena) — rezultat za koji repozitorijum navodi da ne dokazuje opštu sposobnost učenja.
Brojke prema validacionoj dokumentaciji samog repozitorijuma.
04Još nije potvrđeno
Šta ovaj projekat ne tvrdi.
Navodimo otvoreno, da se istraživanje nikad ne pomeša sa gotovim proizvodom.
- Stvarne sposobnosti i spremnost za produkciju nisu nezavisno pokazane
- Rad na GPU-u, sa živim provajderima i u produkciji nije proveren
- Tačan oporavak svih eksperimentalnih kontrolera je još u toku
Još radova
- Produkcioni proizvod
SaaS za advokatske kancelarije u Srbiji
Sledeći korak
Imate sistem vredan izgradnje?
Opišite šta želite da izgradite i kako se posao danas obavlja. Reći ćemo vam kako bismo mu pristupili.