Para peneliti mengusulkan OAT, sebuah model ringan untuk atribusi kegagalan tanpa pengawasan dalam sistem agentic berbasis LLM yang dilatih secara eksklusif pada lintasan sukses. Dengan memformulasikan masalah sebagai pembelajaran satu-kelas menggunakan persamaan diferensial terkontrol neural, OAT mengidentifikasi langkah kesalahan saat inferensi berdasarkan penyimpangannya dari dinamika yang dipelajari.
- Dilatih hanya pada 100 lintasan sukses tanpa pengawasan tingkat langkah.
- Menetapkan skor anomali pada langkah lintasan gagal berdasarkan penyimpangan ruang laten.
- Mencapai peningkatan skor F1 sebesar +20% dan +7% dibandingkan dengan baseline berbasis prompting, secara berurutan dalam-distribusi dan luar-distribusi.
- Berjalan 200–5000× lebih cepat daripada pendekatan berbasis yang ada.
OAT memberikan arah yang menjanjikan dan efisien untuk mendiagnosis kegagalan sistem agentic dengan menghilangkan kebutuhan anotasi kesalahan yang mahal.