arxiv arXiv cs.AI · ahora mismo · research

APEx destila la experiencia procedural del agente para una investigación profunda adaptativa

Traducido del English → Español

Los investigadores proponen APEx, un marco de utilización jerárquica de experiencias que organiza el historial de interacciones en memorias de trayectoria a nivel de instancia y habilidades procedimentales a nivel de categoría para mejorar los agentes de investigación profunda.

El sistema acopla estas memorias a través de una arquitectura de bucle cerrado que comprende los módulos Executor, Distiller y Planner.
Estos módulos se optimizan mediante un paradigma de entrenamiento GRPO alternante en tres etapas para la destilación de habilidades guiada por recompensa.
En el momento de la prueba, las habilidades destiladas sirven como priores procedimentales para la adaptación del Planner en línea utilizando aprendizaje por refuerzo durante la prueba guiado por habilidades.
Los experimentos en 7 benchmarks muestran que APEx supera a GPT-5.4 por 14.7 puntos y a la línea base más fuerte aumentada con memoria por 3.0 puntos.

APEx permite la auto-mejora sin necesidad de ground-truth mediante regularización de alineación de habilidades para prevenir la deriva de la política, logrando un rendimiento de vanguardia en preguntas complejas.

Importancia 2/3 arXiv cs.AI AI agents Research paper

Artículos relacionados

arxiv arXiv cs.CL · hace 2 h

APEx destila la experiencia procedural del agente para una investigación profunda adaptativa

Los investigadores proponen APEx, un marco de utilización jerárquica de experiencias diseñado para mejorar los agentes de investigación profunda que responden preguntas complejas utilizando herramientas externas. El sistema organiza el historial de interacciones en memorias de trayectoria a nivel de instancia y habilidades procedurales a nivel de categoría, acoplándolas a través de una arquitectura Executor, Distiller y Planner.

arxiv arXiv cs.LG · hace 21 h · 3 vistas

CANOPY permite que Qwen3-14B encabece AppWorld usando RL solo con resultados

El artículo presenta CANOPY (Coverage-ANchored On-PolicY RL), un protocolo que aborda la escasez de señales y la deriva de políticas en el aprendizaje por refuerzo a largo plazo para modelos abiertos pequeños. Al escalar la exploración de la misma tarea y mantener las actualizaciones ancladas mediante KL, el método permite que los agentes aprendan eficazmente únicamente a partir de la verificación al final de la tarea.

arxiv arXiv cs.CL · hace 2 d · 4 vistas

WebWorld utiliza el navegador como modelo del mundo para auto-mejorar el código web

Los autores presentan WebWorld, una interfaz que permite a un Modelo de Visión y Lenguaje (VLM) interactuar autónomamente con el navegador como un modelo del mundo determinista para el código web. Este enfoque aborda la falla estructural en la auto-mejora impulsada por VLM donde el modelo juzga sus propias reparaciones introduciendo una contraparte que no puede ser engañada.

media MarkTechPost · hace 3 d · 6 vistas

Google lanza EnvHarness para adaptar entornos de agentes estáticos para entrenamiento

Un equipo de Google Cloud AI Research, la Universidad de Washington en St. Louis y UNC Chapel Hill ha lanzado EnvHarness, una capa programable que transforma los benchmarks de agentes estáticos en mundos de entrenamiento adaptativos. El sistema envuelve entornos existentes mediante componentes plug-in que operan estrictamente a través de la interfaz estándar reset() y step(), permitiendo que el entorno se adapte al entrenamiento de la política sin alterar el simulador subyacente ni los verificadores construidos por humanos.

arxiv arXiv cs.CL · hace 7 d · 10 vistas

JIT-Agent permite la evolución dinámica del arnés para mejorar el rendimiento de LLMs agénticos

Los autores presentan JIT-Agent, un modelo de inteligencia de arneses entrenado para sintetizar arneses de agentes adaptativos a la tarea para LLMs agénticos genéricos disponibles comercialmente. Este enfoque formaliza el arnés del agente como un artefacto componible regido por un protocolo fijo de cuatro módulos, permitiendo al sistema personalizar y reparar los arneses sobre la marcha.