Ahente ng Metis ng Alibaba, Binawasan ng 96% ang mga Paulit-ulit na Pagtawag ng AI sa mga Tool Habang Nagtatakda ng Bagong Pamantayan sa Katumpakan

Ang Nakatagong Gastos ng mga AI Agent na Sobra Kung Kumilos

May likas na kahinaan sa pagpapasya ang mga makabagong ahente ng artificial intelligence, na nagpapalaki sa gastusin sa pagpapatakbo at nakadidismaya sa mga user. Natukoy ng mga mananaliksik sa Alibaba ang tinatawag nilang malubhang kakulangan sa metacognition sa mga kasalukuyang large language model. Nahihirapan ang mga sistemang ito na makilala kung kailan kailangang tumawag sa mga panlabas na tool at kung kailan sapat na ang panloob nilang kaalaman. Bunga nito ang sunod-sunod na hindi kailangang pagtawag sa API na nagpapabagal sa pagganap, nagpapahina sa kalidad ng pangangatwiran, at umuubos sa badyet para sa pag-compute.

Sinanay ang mga kasalukuyang agentic model na unahin ang pagkumpleto ng gawain higit sa lahat. Dahil dito, nagkakaroon ng tinatawag ng mga developer na asal na "trigger-happy": awtomatikong gumagamit ang mga sistema ng paghahanap sa web, pagpapatakbo ng code, o pagsusuri ng larawan kahit taglay na ng tanong ng user ang lahat ng kailangang impormasyon. Ayon sa pananaliksik ng Alibaba, nakaaalarma ang lawak ng pag-uulit na ito: hanggang 98% ng mga pagtawag sa tool sa karaniwang deployment ay hindi kailangan. Nagpapatuloy ang ganitong asal dahil ginagantimpalaan ng mga pamamaraan ng pagsasanay ang matagumpay na paglutas ng gawain ngunit hindi pinarurusahan ang hindi episyenteng paggamit ng mga mapagkukunan.

Bawat hindi kailangang pagtawag sa API ay nagdaragdag ng sunud-sunod na pagkaantala sa pagproseso, na naiipon at nagiging kapansin-pansing kabagalan. Mabagal na tugon ang nararanasan ng mga user habang tumataas naman ang singil sa imprastraktura ng mga organisasyon. Bukod sa bilis at gastos, aktuwal na pinapahina ng sobrang paggamit ng tool ang kalidad ng pangangatwiran. Nagdaragdag ng ingay mula sa kapaligiran ang mga paulit-ulit na panlabas na query sa context window ng modelo, kaya nalilihis ang sistema sa maayos na pangangatwiran at maaaring humantong sa mga maling konklusyon. Kapag hindi kailangang umaasa ang mga ahente sa maingay na senyas na ito, bumababa ang kalidad ng huling sagot kahit tumataas ang gastos sa pag-compute.

Pag-alis sa Pagkakabuhol sa Optimization

Umasa ang mga naunang pagtatangkang lutasin ang kawalang-episiyenteng ito sa tradisyonal na mga pamamaraan ng reinforcement learning, na pinagsasama ang katumpakan at episiyensiya sa iisang senyas ng gantimpala. Lumilikha ang magkahalong pamamaraang ito ng suliranin sa optimization na tila walang solusyon. Kapag masyadong mabigat ang parusa sa paggamit ng tool, naiiwasan ng mga modelo ang kinakailangang panlabas na tawag at isinasakripisyo ang kawastuhan sa mahihirap na gawain. Hindi naman napipigilan ng banayad na parusa ang pag-aaksaya sa mga mas payak na problema. Nagdudulot ng kalabuan sa kahulugan ang iisang estruktura ng gantimpala: maaaring makatanggap ng magkapantay na puntos ang mabilis ngunit maling sagot at mabagal ngunit tamang sagot. Dahil nagkakahalo ang mga senyas ng pagsasanay para sa katumpakan at episiyensiya, hindi natututuhan ng mga modelo na kontrolin ang paggamit ng tool nang hindi pinahihina ang pundamental nilang kakayahang mangatwiran.

Upang malampasan ang limitasyong ito, binuo ng mga mananaliksik ng Alibaba ang Hierarchical Decoupled Policy Optimization, o HDPO. Hinahati ng balangkas na ito ang optimization sa dalawang magkahiwalay na channel. Layunin ng channel ng katumpakan na mapahusay ang kawastuhan ng gawain sa lahat ng rollout ng modelo. Nakatuon naman ang channel ng episiyensiya sa matipid na pagsasagawa. Malayang kinukuwenta ang mga senyas na ito at pinagsasama lamang sa huling yugto ng pagkukuwenta ng loss. Mahalaga ring nakadepende sa katumpakan ang gantimpala para sa episiyensiya. Walang gantimpala sa bilis o kakaunting paggamit ng tool ang maling sagot, kaya hindi natututuhan ng modelo na maging mabilis ngunit mali.

Lumilikha ang paghihiwalay na ito ng di-tuwirang kurikulum sa pagkatuto na kahawig ng unti-unting pag-usad sa edukasyon. Binibigyang-diin ng mga unang yugto ng pagsasanay ang katumpakan habang pinagkakadalubhasaan ng modelo ang pundamental na pangangatwiran at pagkuha ng kaalaman. Habang umuunlad ang mga kakayahan at tuluy-tuloy na nakararating sa tamang sagot ang modelo, unti-unting lumalakas ang senyas para sa episiyensiya. Dahil sa mekanismong ito, unang natututuhan ng sistema ang paglutas ng gawain, saka pinahuhusay ang kakayahang umasa sa sarili sa pamamagitan ng pag-iwas sa mga paulit-ulit at magastos na pagtawag sa API. Inaalis nito ang mga salungatan sa gradient kung saan maaaring magpawalang-bisa sa isa't isa ang mga layunin sa katumpakan at episiyensiya, at nagbibigay ng malilinaw na senyas ng pagkatuto para sa dalawang layunin nang sabay.

Sa Loob ng Arkitekturang Metis

Inilapat ng pangkat ng pananaliksik ang HDPO upang buuin ang Metis, isang multimodal na ahente sa pangangatwiran na nagpapakita sa aktuwal kung paano gumagana ang mga prinsipyong ito. Gumagana ang Metis sa Qwen3-VL-8B-Instruct, isang pundasyong modelo para sa paningin at wika, at mayroon itong mga kakayahan sa pagpapatakbo ng Python code, paghahanap ng teksto, at paghahanap ng larawan. Malaki ang diperensiya ng medyo maliit nitong sukat na 8 bilyong parameter sa mas malalaking kakompetensiya, na nagpapakita na kayang tapatan ng mga pakinabang sa episiyensiya ang bentahe ng mas malawak na modelo.

Sinusunod ng proseso ng pagsasanay ang mahigpit na dalawang-yugtong pamamaraan upang maitatag ang batayang kakayahan at mapahusay ang episiyensiya. Una, ginagamit ang supervised fine-tuning upang bigyan ang modelo ng panimulang pagsasanay mula sa maingat na piniling datos. Kumuha ang mga mananaliksik ng mga trajectory na gumagamit ng tool sa multimodal na gawain mula sa mga pampublikong mapagkukunan, saka mahigpit na nagsala upang alisin ang mga halimbawang mababa ang kalidad na may mga pagkabigo sa pagpapatakbo o hindi magkakatugmang feedback. Inalis nila ang bawat sample sa pagsasanay na kayang lutasin ng batayang modelo nang walang tool, upang matiyak na tunay na estratehikong paggamit ng tool lamang ang laman ng koleksiyon. Ginamit ang Google Gemini 3.1 Pro bilang awtomatikong tagasuri upang tiyaking kailangan nga, at hindi nakasanayan lamang, ang paggamit ng tool sa mga natirang halimbawa.

Sa ikalawang yugto, ginagamit ang reinforcement learning sa pamamagitan ng balangkas na HDPO. Sa yugtong ito, inilalantad ang Metis sa mga interaksiyong may maraming palitan kung saan kailangan nitong magpasya kung gagamit ng mga panlabas na utility. Hindi kasama sa datos ng pagsasanay ang mga prompt na may sirang larawan o kalabuan sa kahulugan na maaaring magpalito sa senyas ng pagkatuto. Kailangang ihambing ng algorithm ang tama at maling mga sagot upang makabuo ng makabuluhang gradient. Kaya inalis ng pangkat ang mga napakadaling gawain kung saan laging nagtatagumpay ang modelo, pati ang napakahirap na mga gawain kung saan palagi itong pumapalya. Tinitiyak ng pagpiling ito na may magagamit na mga senyas ng pagkatuto sa buong proseso ng optimization, at naiiwasan ang mga patag na bahagi ng gradient kung saan hindi na mapahusay ng modelo ang sarili nito.

Mula 98% na Pag-aaksaya Tungo sa Estratehikong Katumpakan

Ipinakikita ng mga resulta ng pagsusuri na hindi magkasalungat na layunin ang episiyenteng paggamit ng tool at mataas na katumpakan, kundi magkatugma ang mga ito. Nakamit ng Metis ang pinakamataas na antas ng pagganap sa mga dataset para sa persepsiyong biswal at pag-unawa sa dokumento, kabilang ang HRBench at V*Bench, gayundin sa mahihigpit na gawain sa pangangatwirang matematikal tulad ng WeMath at MathVista. Kapansin-pansin na nahigitan ng Metis na may 8 bilyong parameter ang Skywork-R1V4 na may 30 bilyong parameter, isang mas malaking agentic model, sa mga benchmark para sa paningin at pangangatwiran. Nagtatakda ang pagganap na ito ng bagong pamantayan sa larangan habang mas kaunti ang kailangang pag-compute.

Kaayon ng mga nakikitang pagbabago sa asal habang sinusubukan ang modelo ang mga nasukat na pagpapahusay. Sa isang eksperimento, ipinakita ng mga mananaliksik ang larawan ng karatula sa museo at tinanong kung ano ang nakasulat sa gitna nito. Awtomatikong nagsulat ng mga Python script ang karaniwang agentic model upang i-crop at iproseso ang larawan kahit hindi naman kailangan, na nagdagdag ng pagkaantala at pagiging kumplikado. Nakilala ng Metis na malinaw na mababasa ang teksto sa orihinal na input, kaya tuluyan nitong nilaktawan ang mga panlabas na tool at natapos ang gawain sa iisang pagproseso lamang. Ipinakikita nito ang tunay na pag-unawa sa larawan, sa halip na mekanikal na pagdepende sa tool.

Sa kabilang banda, nang ipakita sa Metis ang komplikadong tsart na may magkakapatong na linya sa maliit na subplot at hilinging tukuyin ang ikalawang pinakamataas na linya sa isang partikular na punto ng datos, tama nitong natukoy na hindi sapat ang likas nitong resolusyon upang matukoy ang mga detalyeng biswal. Sa halip na manghula batay sa buong larawan, gumamit ito ng Python upang i-crop at palakihin ang partikular na bahaging iyon lamang at makuha ang kinakailangang katumpakan. Ipinakikita ng asal na ito na ginagamit ang code bilang kasangkapang pangkatumpakan kapag talagang malabo ang biswal na ebidensiya, hindi bilang awtomatikong pamalit sa bawat input.

Ang Pang-ekonomiyang Katwiran para sa Mas Mahuhusay na Ahente

Para sa mga startup at negosyong lumilikha ng mga produktong AI, tuwirang nakatutulong ang tagumpay ng Metis sa pagpapanatili ng maayos na kita at gastos sa bawat yunit. Maaaring umabot sa libo-libong dolyar kada buwan ang gastos ng mga kasalukuyang AI agent na gumagamit ng mga sikat na API mula sa OpenAI, Anthropic, o Google dahil lamang sa mga paulit-ulit na tawag. Kung gumagastos ang isang startup ng $10,000 kada buwan sa paggamit ng API, posibleng mabawasan ang halagang iyon ng $9,600 sa pamamagitan ng pag-aalis sa mga di-kinakailangang pagtawag sa tool, batay sa 98%-tungo-sa-2% na pagbawas na ipinakita sa pananaliksik. Nagiging napakahalaga ang mga matitipid na ito kapag lumampas na ang mga produkto sa yugto ng minimum viable product at ginagamit na ng libu-libong aktibong user sa aktuwal na operasyon.

Bukod sa tuwirang pagtitipid, lumilikha ng kalamangan sa karanasan ng user ang mas mababang latency. Nakikinabang ang mga produkto para sa consumer at negosyo mula sa mas mabilis na mga tugon, na malakas ang ugnayan sa pagpapanatili ng user at antas ng pakikilahok. Habang lumalaki ang bilang ng aktibong user mula daan-daan tungong libu-libo, naiipon ang mga sunud-sunod na bottleneck mula sa hindi kailangang pagtawag sa API at napapahina ang pagganap ng buong sistema. Madalas na pumapalya sa dami ng trapiko sa aktuwal na operasyon ang mga sistemang maayos namang gumagana sa maagang yugto ng pagbuo kung walang mga pagpapahusay sa episiyensiya, na lumilikha ng krisis sa mismong panahong bumibilis ang paglago.

Sa mga pamilihang sensitibo sa presyo, gaya ng Latin America at iba pang umuusbong na ekonomiya, nakasalalay sa episiyensiya ng operasyon ang kakayahang magpatuloy ng negosyo. Nagkakaroon ng pangmatagalang kalamangan ang mga kumpanyang nagpapanatili ng malusog na tubo habang inuubos naman ng mga kakompetensiya ang puhunan sa paulit-ulit na pag-compute. Ipinahihiwatig ng pananaliksik na sa kapaligirang pare-pareho ang batayang modelong maaaring gamitin ng anumang startup, nagiging pangunahing pagkakaiba sa kompetisyon ang episiyensiya. Pinapaboran ng ganitong kalakaran ang mga organisasyong nagpapatupad ng matalinong caching, mga threshold ng kumpiyansa, at estratehikong pagpili ng modelo, kasama ng mga balangkas tulad ng HDPO.

Isang Bagong Pilosopiya sa Pagsasanay

Nagpapakita ng pagbabago sa konsepto ng pagkatuto sa pamamagitan ng paggamit ng tool ang balangkas na HDPO. Pangunahing nakatuon ang mga naunang pamamaraan sa pagtuturo sa mga modelo kung paano gamitin nang wasto ang mga tool, at higit na binibigyang-diin ang kasanayang teknikal kaysa sa pagpapasya. Ipinanukala ng pangkat ng Alibaba na linangin ang metacognitive na kakayahang malaman kung kailan dapat umiwas nang tuluyan sa paggamit ng mga panlabas na utility. Nangangailangan ito ng datos ng pagsasanay na hayagang nagpapakita ng estratehikong pagpipigil, hindi lamang ng teknikal na pagsasagawa, isang mahalagang pagkakaibang halos hindi pinansin ng mga naunang dataset.

Tinutugunan ng proseso ng pagpili ng datos ang malulubhang pagkukulang na karaniwan sa mga umiiral na dataset na gumagamit ng tool. Maraming pampublikong koleksiyon ng datos ang naglalaman ng maingay na trajectory kung saan natutuhang gumamit ng tool ang mga modelo bilang nakagawian sa halip na estratehikong pagpapasya. Sa pamamagitan ng pag-aalis sa mga halimbawang kayang lutasin nang walang panlabas na tulong at paggamit ng mga awtomatikong tagasuri upang tiyaking kailangan ang tool, lumikha ang mga mananaliksik ng kapaligiran sa pagsasanay na nagbibigay-gantimpala sa maingat na pag-iwas. Kabaligtaran ito ng mga balangkas tulad ng ReAct, na pinagsasama ang pangangatwiran at pagkilos nang walang tahasang optimization sa dalawang channel, at ng Meta Toolformer, na higit na nagbibigay-diin sa pagkatuto sa paggamit ng tool kaysa sa episiyensiya ng operasyon.

Hawig ng mga padron ng pagkatuto ng tao sa propesyonal na edukasyon ang di-tuwirang kurikulum na nililikha ng HDPO. Una munang pinagkakadalubhasaan ng mga baguhang ahente ang tamang paglutas ng gawain upang matiyak na maaasahan nilang malutas ang mga problema gamit ang mga mapagkukunang mayroon sila. Kapag tumibay na ang kakayahan, likas na lumilipat ang sistema tungo sa pag-optimize ng episiyensiya. Natututuhan nitong direktang lutasin ang mga pamilyar na problema habang inilalaan ang mga panlabas na tool para sa mga tunay na bagong sitwasyon o mahihirap na natatanging kaso. Naiiwasan ng pag-usad na ito ang pagiging marupok ng mga sistemang sabay sinanay sa dalawang layunin, kung saan madalas humihina ang katumpakan kapag ipinaiiral ang mga limitasyon sa episiyensiya.

Bukas na Akses at Pandaigdigang Epekto

Inilabas ng Alibaba ang Metis at ang code sa pagsasanay ng HDPO sa ilalim ng maluwag na lisensiyang Apache 2.0, na nagpapahintulot sa komersiyal na paggamit nang walang mahihigpit na kondisyon o royalty. Dahil bukas ito, agad na maisasama ng mga startup ang teknolohiyang ito sa halip na maghintay ng mga pagmamay-aring solusyon o magbayad ng mataas na singil para sa akses. Gayunman, dahil may petsang Abril 2026 ang publikasyon, nasa maagang yugto pa ng pagbuo ang dokumentasyon at suporta mula sa komunidad. Kakailanganin ng malaking teknikal na kadalubhasaan para sa wastong pagpapatupad at pagpapasadya nito.

Dumating ang inilabas na teknolohiya sa panahong umuusad na ang ekosistema ng mga AI agent mula sa pagdaragdag ng mga feature tungo sa pagpapahusay ng episiyensiya. Patuloy na isinasama ng mga kumpanyang tulad ng LangChain at LlamaIndex ang mga katulad na pagpapahusay sa kanilang mga plataporma, habang nag-aalok naman ang mga pagmamay-aring alternatibo ng mga pinamamahalaang solusyon na may iba't ibang estruktura ng gastos. Para sa mga developer sa mga pamilihang nagsasalita ng Espanyol at sa mga umuusbong na ekonomiya, nag-aalok ng pagkakataong bumuo ng mga mapagkumpitensiyang produktong angkop sa limitasyon ng lokal na imprastraktura at pagiging sensitibo sa presyo ang maagang paggamit sa mga ganitong balangkas para sa episiyensiya.

Binigyang-diin ng mga miyembro ng pangkat ng pananaliksik na tuwirang nakatutulong sa mas mataas na katumpakan ang pag-aalis sa maingay at paulit-ulit na pagtawag sa tool, sa halip na isakripisyo ang isang sukatan para sa iba. Itinuturo ng kanilang konklusyon ang mas malawak na pagbabago sa paradigma ng pagbuo ng artificial intelligence: paglayo sa mga sistemang nagpapakita ng kakayahan sa dami ng paggamit ng tool at pagtuon sa mga ahenteng nagpapakita ng mahusay na pagpapasya sa pamamagitan ng estratehikong pagpipigil. Ipinahihiwatig ng pananaliksik na uunahin sa hinaharap na pagbuo ng AI ang piling at matalinong pagkilos sa halip na paggamit ng lahat ng tool sa bawat pagkakataon.

Mahahalagang Punto

• Binabawasan ng ahenteng Metis ng Alibaba mula 98% tungong 2% ang mga paulit-ulit na pagtawag ng AI sa mga tool sa pamamagitan ng balangkas na HDPO
• Inihihiwalay ng HDPO (Hierarchical Decoupled Policy Optimization) ang katumpakan at episiyensiya sa magkakahiwalay na channel ng pagsasanay
• Nahihigitan ng Metis na may 8 bilyong parameter ang mas malalaking modelong may 30 bilyong parameter sa mga benchmark para sa paningin at pangangatwiran
• Lumilikha ang estratehikong paggamit ng tool ng di-tuwirang kurikulum sa pagkatuto kung saan unang pinagkakadalubhasaan ng mga ahente ang katumpakan bago pahusayin ang episiyensiya
• Maaaring makatipid nang hanggang 96% sa bayarin sa API ang mga startup sa pamamagitan ng pag-aalis sa mga di-kinakailangang pagtawag
• Inilabas ang Metis at code ng HDPO sa ilalim ng lisensiyang Apache 2.0 para sa malayang komersiyal na paggamit
• Tinutugunan ng balangkas ang kakulangan sa metacognition kung saan hindi matukoy ng mga AI agent kung sapat ang panloob nilang kaalaman o kailangan nila ng panlabas na tool