ALTK-Evolve намалява токените спрямо ACE при AI агенти
Изследователи от IBM Research сравняват ALTK-Evolve с Agentic Context Engineering (ACE) — две системи, които превръщат предишния опит на AI агентите в указания за бъдещи задачи, без промени в теглата на модела и без човешки етикети. И двете запазват отделните уроци, вместо да ги свеждат до кратко обобщение. ACE използва един подробен наръчник, а ALTK-Evolve съхранява отделно извличаеми указания с броя на подкрепилите ги епизоди и произхода им.
Основната разлика е начинът на подаване към модела. ACE включва целия наръчник при всяка стъпка на агента. ALTK-Evolve избира малък набор според конкретната задача или подава пълния набор, когато моделът може да го използва ефективно. Авторите свързват този подход с по-нисък разход на токени при извеждане.
При вътрешни тестове върху AppWorld със същия ReAct агент DeepSeek-V3.2 постига 89,3% Task Goal Completion и 80,4% Scenario Goal Completion чрез ALTK-Evolve, срещу 80,4% и 73,2% при ACE. Средният разход е 263K срещу 634K токена на задача. При gpt-oss-120b резултатите са 56,0% и 37,5% срещу 54,8% и 35,7%, при 116K срещу 777K токена. Тестовете са единични и обхващат 168 задачи.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на Hugging Face. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.