arxiv arXiv cs.CL · 1 jam lalu · research

Living-Harness berevolusi sendiri untuk meningkatkan Pass@1 sekitar 10 poin

Diterjemahkan dari English → Bahasa Indonesia

Para peneliti mengusulkan Living-Harness, sebuah harness agen yang berevolusi secara mandiri yang mengubah lintasan lengkap dan sinyal evaluator menjadi bukti posterior untuk pembaruan harness yang terbatas. Dipandu oleh Evolution-SOP, sistem mengekstrak abstraksi episode dan bukti pembaruan terstruktur untuk menulis memori episodik dan grafik keadaan.

Living-Harness mencatat kondisi pemicu, pola kegagalan, dan tindakan pemulihan sebagai memori episodik.
Ia mempertahankan grafik keadaan dari node, tepi perbaikan, dan aturan transisi untuk perbaikan prosedural.
Keadaan harness yang diperbarui diambil kembali untuk membimbing interaksi di masa depan sementara alat dan konteks dasar tetap beku.
Pada delapan lingkungan interaktif yang berasal dari τ²-Bench dan MultiWOZ-2.4, ia meningkatkan rata-rata Pass@1 dibandingkan baseline terkuat sebesar 10,07 dan 9,91 poin persentase masing-masing.

Keadaan harness yang berevolusi mendukung penggunaan ulang hanya dengan pengambilan di seluruh tulang punggung model, memungkinkan perbaikan prosedural terakumulasi lintas siklus evolusi.

Kepentingan 2/3 Kerangka evaluasi baru dengan pembeda arXiv cs.CL AI agents Research paper

Artikel terkait

media Hugging Face Forums · 2 hari lalu

Tiga makalah 2026 berargumen ekosistem agen terdistribusi mengungguli model monolitik

Tiga makalah akademik terbaru dari Google, Harvard & MIT, dan Imperial College & Huawei menyimpulkan bahwa ledakan kecerdasan AI berikutnya akan didorong oleh sistem terdistribusi daripada model tunggal yang lebih besar. Penulis berargumen bahwa kecerdasan pada dasarnya bersifat majemuk, muncul dari interaksi agen-agen khusus atau struktur sosial internal.

arxiv arXiv cs.CL · 2 hari lalu

AgentOmnia menskalakan model agentic di seluruh aplikasi skenario penuh

Peneliti mempresentasikan AgentOmnia, sebuah kerangka kerja untuk penskalaan agentic skenario penuh yang mengoordinasikan definisi ruang tugas, sintesis data, pasca-pelatihan, evaluasi, dan peningkatan di seluruh aplikasi To-Consumer, To-Business, dan To-Employee. Sistem ini memanfaatkan taksonomi yang dapat diperluas dan membangun 5.018 lingkungan stateful dengan 255.375 alat dan 52.361 tugas untuk memungkinkan diagnosis halus melalui OmniaBench.

lab NVIDIA Research · 2 hari lalu · 1 tayangan

Peneliti NVIDIA mengusulkan eksperimen lapangan di turnamen Rocket League

Peneliti NVIDIA mengatasi kesulitan menjadwalkan permainan grup kompetitif dan mereplikasi lingkungan lab dengan mengadopsi metodologi eksperimen lapangan. Pendekatan ini mengintegrasikan eksperisi secara langsung ke dalam struktur turnamen, menciptakan turnamen-eksperimen hibrida.

lab NVIDIA Research · 6 hari lalu

Kerangka AITE secara otonom menemukan algoritma nirkabel melalui pencarian yang digerakkan oleh LLM

Para peneliti memperkenalkan The AI Telco Engineer (AITE), sebuah kerangka kerja yang menggunakan pencarian evolusioner yang digerakkan oleh model bahasa besar untuk merancang algoritma secara otonom untuk masalah komunikasi kompleks sambil menavigasi trade-off antara kinerja dan kompleksitas.

arxiv arXiv cs.AI · 6 hari lalu · 3 tayangan

AREX memperkenalkan agen riset mendalam yang secara rekursif meningkatkan diri sendiri

Para peneliti memperkenalkan AREX, sebuah keluarga agen riset mendalam Recursively Self-Improving (RSI) yang dirancang untuk mengatasi asimetri antara penemuan dan verifikasi dalam kueri kompleks. AREX bergantian antara loop internal yang mengumpulkan bukti dan membangun jawaban sementara, serta loop eksternal yang mengaudit batasan untuk memandu penyempurnaan terarah.