Компьютерные науки > Искусственный интеллект [представлен 16 сентября 2026 года] Название: TuiML: Машинное обучение для АИ-агентов Ви (экспериментальный) HTML Резюме: Machine-обучение библиотек, таких как Weka и scikit-learn были разработаны для программистов. В настоящее время агенты языковых моделей используют эти же библиотеки, напомнив API из кода памяти и письма, подход, который скрывает то, что предлагает библиотека, откладывает ошибки до рабочего времени и теряет экспериментальное состояние между поворотами. Мы представляем TuiML, автономную библиотеку машинного обучения для агентов АИ с местными алгоритмами по всем подконтрольным, неконтролируемым, временным рядам, обработке данных, настройке и оценке. Каждый компонент описывает себя с помощью машиночитаемых метаданных и схем параметров, так что агент может обыскать библиотеку, проверять компоненты, составлять подтвержденные рабочие процессы и регистрировать новые, которые в свою очередь становятся обнаруживаемыми. Каждый звонок подтверждается, сеял и отслеживается, а сеансы экспортируются в качестве прогонных тетрадей, что делает эксперименты воспроизводимыми по конструкции. Один слой спецификации движет Model Context Protocol (MCP), адаптационными агентами, Python API, CLI и местной моделью, в то время как данные и модели никогда не покидают машину. Контрольные показатели показывают, что TuiML по-прежнему является прогнозируемо конкурентоспособным с scikit-learn и Weka. Хотя TuiML выглядит как обычная библиотека…
TuiML: Машинное обучение для АИ-агентов
arXiv:2609.17984v1 Annuate Type: кросс-бюллетень: Библиотеки машинного обучения, такие как Weka и сикит-ученики, были разработаны для программистов. В настоящее время агенты языковых моделей используют эти же библиотеки, напомнив API из кода памяти и письма, подход, который скрывает то, что предлагает библиотека, откладывает ошибки до рабочего времени и теряет экспериментальное состояние между поворотами. Мы представляем TuiML, автономную библиотеку машинного обучения для агентов АИ с местными алгоритмами по всем подконтрольным, неконтролируемым, временным рядам, обработке данных, настройке и оценке. Каждый компонент описывает себя с помощью машиночитаемых метаданных и схем параметров, так что агент может обыскать библиотеку, проверять компоненты, составлять подтвержденные рабочие процессы и регистрировать новые, которые в свою очередь становятся обнаруживаемыми. Каждый звонок подтверждается, сеял и отслеживается, а сеансы экспортируются в качестве прогонных тетрадей, что делает эксперименты воспроизводимыми по конструкции. Один слой спецификации определяет Типовой контекстный протокол (МКП), агент-фрам