arxiv arXiv cs.AI · à l'instant · research

APEx distille l'expérience procédurale de l'agent pour une recherche profonde adaptative

Traduit de English → Français

Les chercheurs proposent APEx, un cadre d'utilisation hiérarchique des expériences qui organise l'historique des interactions en mémoires de trajectoire au niveau de l'instance et en compétences procédurales au niveau de la catégorie pour améliorer les agents de recherche profonde.

Le système couple ces mémoires via une architecture en boucle fermée composée des modules Executor, Distiller et Planner.
Ces modules sont optimisés par un paradigme d'entraînement GRPO alterné en trois étapes pour la distillation de compétences guidée par la récompense.
Au moment du test, les compétences distillées servent de priors procéduraux pour l'adaptation en ligne du Planner utilisant l'apprentissage par renforcement au moment du test guidé par les compétences.
Les expériences sur 7 benchmarks montrent que APEx dépasse GPT-5.4 de 14,7 points et la base de référence la plus forte augmentée de mémoire de 3,0 points.

APEx permet l'auto-amélioration sans ground-truth avec une régularisation d'alignement des compétences pour empêcher la dérive de la politique, atteignant des performances de pointe sur des questions complexes.

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

Lire l'original

Articles similaires

arxiv arXiv cs.CL · il y a 2 h

APEx distille l'expérience procédurale de l'agent pour une recherche profonde adaptative

Les chercheurs proposent APEx, un cadre d'utilisation hiérarchique des expériences conçu pour améliorer les agents de recherche profonde qui répondent à des questions complexes en utilisant des outils externes. Le système organise l'historique des interactions en mémoires de trajectoire au niveau de l'instance et en compétences procédurales au niveau de la catégorie, les couplant via une architecture Executor, Distiller et Planner.

arxiv arXiv cs.LG · il y a 21 h · 3 vues

CANOPY permet à Qwen3-14B de dominer AppWorld grâce au RL uniquement basé sur le résultat

L'article présente CANOPY (Coverage-ANchored On-PolicY RL), un protocole qui traite la famine de signaux et la dérive de politique dans l'apprentissage par renforcement à long terme pour les petits modèles ouverts. En amplifiant l'exploration sur la même tâche et en maintenant les mises à jour ancrées par KL, la méthode permet aux agents d'apprendre efficacement uniquement grâce à la vérification en fin de tâche.

arxiv arXiv cs.CL · il y a 2 j · 4 vues

WebWorld utilise un navigateur comme modèle du monde pour s'améliorer automatiquement le code web

Les auteurs présentent WebWorld, une interface qui permet à un Modèle Vision-Language (VLM) d'interagir de manière autonome avec le navigateur en tant que modèle du monde déterministe pour le code web. Cette approche comble la faille structurelle dans l'auto-amélioration pilotée par VLM où le modèle juge ses propres réparations en introduisant une contrepartie qui ne peut pas être trompée.

media MarkTechPost · il y a 3 j · 6 vues

Google publie EnvHarness pour adapter les environnements d'agents statiques à l'entraînement

Une équipe de Google Cloud AI Research, de la Washington University in St. Louis et de l'UNC Chapel Hill a publié EnvHarness, une couche programmable qui transforme les benchmarks d'agents statiques en mondes d'entraînement adaptatifs. Le système enveloppe les environnements existants à l'aide de composants plug-in qui opèrent strictement via l'interface standard reset() et step(), permettant à l'environnement de s'adapter à l'entraînement de la politique sans modifier le simulateur sous-jacent ni les vérificateurs construits par les humains.

arxiv arXiv cs.CL · il y a 7 j · 10 vues

JIT-Agent permet l'évolution en temps réel des harnais pour améliorer les performances des LLM agents

Les auteurs présentent JIT-Agent, un modèle d'intelligence de harnais entraîné à synthétiser des harnais d'agents adaptatifs aux tâches pour n'importe quel LLM agent standard. Cette approche formalise le harnais d'agent comme un artefact composable régi par un protocole fixe à quatre modules, permettant au système de personnaliser et de réparer les harnais en temps réel.