Los investigadores proponen OAT, un modelo ligero para la atribución no supervisada de fallos en sistemas agénticos basados en LLM que se entrena exclusivamente con trayectorias exitosas. Al plantear el problema como aprendizaje de una clase con ecuaciones diferenciales controladas por redes neuronales, OAT identifica los pasos con errores durante la inferencia basándose en su desviación respecto a la dinámica aprendida.
- Se entrena solo con 100 trayectorias exitosas sin supervisión a nivel de paso.
- Asigna puntuaciones de anomalía a los pasos de las trayectorias fallidas basándose en desviaciones del espacio latente.
- Logra mejoras de +20% y +7% en la puntuación F1 sobre las líneas base basadas en prompts dentro y fuera de la distribución, respectivamente.
- Ejecuta 200–5000× más rápido que los enfoques existentes basados en prompts.
OAT proporciona una dirección prometedora y eficiente para diagnosticar fallos en sistemas agénticos al eliminar la necesidad de anotaciones de errores costosas.