Sakhanda Wire
NVDA $153.61 -1.62% MSFT $506.27 -2.26% GOOGL $280.41 -1.17% META $623.08 -0.53% AMZN $257.66 -0.03%
← До новин

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.

Вперше опубліковано виданням Hugging Face

Читати оригінал на Hugging Face ↗

Репортаж і зображення належать Hugging Face і зазначені вище з посиланням на оригінал; текст на цій сторінці — власний виклад Sakhanda Wire.

← До новин

Ще новини

Усі останні новини