लेखकों ने Harness Continual Learning (HCL) पेश किया, एक परिदृश्य जहाँ एक एजेंट मॉडल पैरामीटर को अपडेट करने के बजाय अपने एक्जीक्यूशन-फेसिंग हार्नेस को विकसित करके सुधार करता है। यह दृष्टिकोण प्रॉम्प्ट्स, मेमोरी और राउटिंग नियमों जैसे घटकों के माध्यम से नए अनुभवों के लिए अनुकूलित होते समय पहले से अर्जित व्यवहार को बनाए रखने की चुनौती को संबोधित करता है।
- HCL चार घटकों का उपयोग करता है: Task Interface, Experience Memory, Capability Map, और Adaptive Router।
- गार्डेड हार्नेस इवोल्यूशन Continual Optimizer और Evaluator का उपयोग करके अपडेट जनरेशन को स्थिति प्रतिबद्धता से अलग करता है।
- प्रयोगों में पाठ तर्क, बहुआयामी धारणा और ओपन-वर्ल्ड इंटरैक्शन में बेसलाइन के सापेक्ष 10% से अधिक की वृद्धि दिखाई गई।
- नियंत्रित रिटेंशन स्वीप्स मापनीय हार्नेल-स्तरीय भूल को उजागर करते हैं और स्थिरता-प्लास्टिसिटी संतुलन का स्पष्ट समायोजन करने की अनुमति देते हैं।
इस विधि से बेस मॉडल को फ्रोजन रखकर पहले अर्जित व्यवहार में बिना बाधा डाले क्षमताओं के संचय और विफलता पुनर्प्राप्ति संभव होती है।