يقترح الباحثون CurateEvo، وهو إطار تطور ديناميكي مدفوع بالفشل مصمم لتحسين اتخاذ القرار طويل المدى في وكلاء النماذج اللغوية الكبيرة من خلال تدقيق البيانات التكراري. وعلى عكس الطرق التقليدية التي تعامل التدقيق كخطوة معالجة مسبقة ثابتة، يمثل CurateEvo الاستراتيجيات كأكواد قابلة للتنفيذ ويعيد كتابتها باستخدام مسارات فاشلة من مجموعة تطوير محفوظة.
- يعيد الإطار تكرارياً كتابة استراتيجيات التدقيق لتشخيص أنماط الفشل المتكررة، مما يؤدي إلى زيادة البيانات أو تصفيتها أو صقلها وفقاً لذلك.
- يحول المجموعات الخام إلى بيانات ضبط دقيق خاضع للإشراف، وبيانات التعلم المعزز، ومخزن ذاكرة أثناء الاستدلال في كل حقبة.
- تقوم هدف واعٍ بالتكلفة بتقليم جولات التدريب الزائدة أو منخفضة الفائدة لتحسين الكفاءة.
- أظهرت التجارب على ACEBench-Agent وBFCL-V4 وτ^2-Bench أن CurateEvo يتفوق على الطرق السابقة، محسناً الدرجات المتوسطة بمقدار 3.2 و2.7 نقطة على التوالي.
- يلاحظ المؤلفون أن CurateEvo متوافق مع وصفات ما بعد التدريب المختلفة ويقلل بشكل كبير من عبء التدقيق.