Дослідження: пам’ять агентів слід узгоджувати з можливостями моделі
Оцінювання агентної пам’яті на восьми моделях показало, що більший обсяг накопичених настанов не завжди покращує результат. Метод ALTK-Evolve виокремлює стратегії, помилки та уроки з попередніх траєкторій агента й передає їх під час виконання завдань. Ваги моделі при цьому не оновлюються, а людська анотація не потрібна. Оптимальна кількість настанов залежить від можливостей моделі.
Сильні моделі із запасом продуктивності зазвичай краще працювали з повним набором настанов. DeepSeek-V3.2 підвищила виконання завдань на 9,5 відсоткового пункта, а Claude Opus 4.6 — на 4,1 пункта. Для gpt-oss-120b ефективнішим виявився компактний набір із добором настанов під конкретне завдання: показник зріс на 16,1 пункта за збільшення кількості токенів лише на 5%. Повний набір давав менший ефект і збільшував витрати приблизно на 51%. GLM-5 не показала вимірюваного покращення.
Тестування охопило 585 багатоетапних завдань AppWorld у дев’яти симульованих застосунках. Автори зазначають, що вибіркове вилучення може одночасно підвищувати точність і стримувати витрати, а кешування промптів здатне здешевити повторне передавання сталих настанов. Подальша робота стосуватиметься навченого добору настанов, слабших моделей і окремого дослідження ролі розміру контекстного вікна.
Текст підготовлено ШІ Sakhanda Wire за матеріалом Hugging Face. Факти, цитати та повний контекст — в оригінальній статті нижче.