arxiv arXiv cs.LG · baru saja · research

Kerangka kerja GRASP meningkatkan perencanaan strategis dengan AI agen multi-tahap

Diterjemahkan dari English → Bahasa Indonesia

Para peneliti memperkenalkan GRASP, sebuah kerangka kerja perencanaan multi-tahap yang sadar strategi, dirancang untuk menghasilkan rencana yang dapat dieksekusi dalam bahasa alami berkualitas tinggi untuk tugas-tugas kompleks dengan memisahkan pipa proses menjadi modul-modul khusus. Sistem ini melakukan pra-kompilasi pedoman makro global melalui GenPlan, mengeksplorasi strategi terlokalisasi melalui RevPlan, dan mengevaluasi lintasan menggunakan diskriminator multi-kriteria bernama VerPlan.

GRASP menetapkan batas terdepan baru di berbagai dataset, menghasilkan peningkatan akurasi sebesar ~12.4% pada Natural Plan Calendar Scheduling dan ~30.8% pada ZebraLogic dibandingkan perencana LLM langsung.
Kerangka kerja ini meratakan penurunan kinerja multi-tugas yang terlihat pada perencana standar, mencapai peningkatan akurasi absolut hingga 16.7% dalam lingkungan tugas ganda yang terselang-seling.
Dengan mengisolasi konteks dan memberlakukan regularisasi makro yang ketat, GRASP melampaui model penalaran terdepan seperti GPT-5-mini dengan selisih 14.5%.

GRASP mengatasi degradasi keandalan LLM seiring meningkatnya kompleksitas tugas, menawarkan solusi yang kuat untuk skenario perencanaan kompleks di mana metode tradisional gagal.

Kepentingan 2/3 arXiv cs.LG AI agents Research paper

Artikel terkait

arxiv arXiv cs.AI · 1 jam lalu · 1 tayangan Langsung

GRASP memperkenalkan perencanaan multi-tahap yang sadar strategi untuk meningkatkan keandalan LLM

Para peneliti memperkenalkan GRASP, sebuah kerangka kerja perencanaan multi-tahap yang sadar strategi, dirancang untuk menghasilkan rencana eksekusi bahasa alami berkualitas tinggi untuk tugas kompleks di mana model Bahasa Besar standar biasanya mengalami penurunan keandalan. Sistem ini memisahkan pipa perencanaan menjadi modul-modul khusus: GenPlan untuk pedoman makro global, RevPlan untuk mengeksplorasi strategi terlokalisasi, dan VerPlan untuk evaluasi lintasan independen.

lab Anthropic News · 2 hari lalu · 29 tayangan

Claude dari Anthropic menemukan sistem enzim ART baru pada bakteriofag

Anthropic telah mengumumkan pembentukan kelompok penelitian ilmu kehidupan baru yang berdedikasi untuk memanfaatkan Claude guna mengidentifikasi famili protein yang belum berkarakterisasi dan menguji hipotesis melalui eksperimen laboratorium. Dalam hasil awal, AI tersebut secara otonom menemukan sistem enzim baru bernama reverse transcriptase terkait array (ART) yang ditemukan pada bakteriofag.

arxiv arXiv cs.AI · 2 hari lalu · 16 tayangan

AIDE^2 memungkinkan peningkatan diri secara rekursif pada agen penelitian AI

Para peneliti menyajikan AIDE^2, sebuah sistem yang mengimplementasikan siklus peningkatan diri secara rekursif untuk agen penelitian AI dengan mengoptimalkan kode internalnya sendiri. Sistem ini mengusulkan perubahan pada logika internalnya, melakukan benchmarking versi yang dimodifikasi pada tugas R&D AI, dan hanya mempertahankan peningkatan yang menunjukkan kinerja terbaik pada evaluasi tersembunyi.

arxiv arXiv cs.AI · 2 hari lalu · 17 tayangan

Growing Harness mengubah kontrol agen berulang menjadi kode yang dapat digunakan kembali melalui pelatihan yang dipandu oleh kegagalan

Para penulis memperkenalkan Growing Harness, sebuah paradigma pelatihan yang mempelajari struktur kontrol agen dari umpan balik tugas, bukan mengandalkan harness standar yang bergantung pada konteks. Dengan mengonversi keputusan kontrol berulang menjadi kode yang dapat dieksekusi dan membatasi panggilan LLM untuk penalaran semantik, metode ini bertujuan menciptakan agen spesialis yang dapat digunakan kembali.

arxiv arXiv cs.LG · 2 hari lalu · 16 tayangan

AIDE^2 memungkinkan peningkatan diri secara rekursif pada agen riset AI

Para peneliti menyajikan AIDE^2, sebuah sistem yang mengimplementasikan siklus peningkatan diri secara rekursif untuk agen riset AI terdepan dengan mengoptimalkan kode internalnya sendiri. Sistem ini mengusulkan perubahan pada logika internalnya, melakukan benchmarking versi yang dimodifikasi pada tugas-tugas R&D AI, dan hanya mempertahankan pembaruan yang berkinerja terbaik pada evaluasi tersembunyi.