शोधकर्ताओं ने APEx का प्रस्ताव दिया, एक पदानुक्रमित अनुभव उपयोग ढांचा जो बाहरी उपकरणों का उपयोग करके जटिल प्रश्नों के उत्तर देने वाले गहन शोध एजेंटों को सुधारने के लिए डिज़ाइन किया गया है। सिस्टम इंटरैक्शन इतिहास को उदाहरण-स्तर ट्रैजेक्टरी मेमोरी और श्रेणी-स्तर प्रक्रियात्मक कौशल में संगठित करता है, Executor, Distiller और Planner आर्किटेक्चर के माध्यम से उन्हें जोड़ता है।
- पुरस्कार-निर्देशित कौशल संक्षिप्तकरण के लिए तीन-चरण वाले वैकल्पिक GRPO प्रशिक्षण पैराडाइम के माध्यम से अनुकूलित।
- कौशल-निर्देशित टेस्ट-टाइम रीइन्फोर्समेंट लर्निंग के माध्यम से ऑनलाइन Planner अनुकूलन के लिए प्रक्रियात्मक प्रायर्स के रूप में संक्षिप्त कौशल का उपयोग।
- 7 बेंचमार्क्स पर राज्य-के-अंतर्गत प्रदर्शन प्राप्त करता है, GPT-5.4 से 14.7 अंक और सबसे मजबूत मेमोरी-संवर्धित बेलाइन से 3.0 अंक अधिक।
APEx टेस्टिंग के दौरान पॉलिसी ड्रिफ्ट को रोकने के लिए कौशल-अलाइनमेंट रेगुलराइजेशन के साथ ग्राउंड-ट्रूथ-मुक्त स्वयं-सुधार सक्षम बनाता है।