Para peneliti mengusulkan loop peningkatan diri yang digerakkan oleh kegagalan untuk agen penggunaan komputer yang memanfaatkan lintasan gagal untuk meningkatkan kinerja model. Metode ini menggunakan LLM untuk mendiagnosis mode kegagalan dan menghasilkan patch kode, yang diverifikasi secara ringan oleh manusia untuk meningkatkan agen.
- Pendekatan ini menargetkan model bahasa besar multimodal (MLLM) yang beroperasi di lingkungan yang dapat diverifikasi.
- Ini melengkapi pipeline berbasis keberhasilan standar dengan mengekstrak informasi dari lintasan gagal yang dibuang.
- Tervalidasi pada benchmark OSWorld menggunakan model OpenCUA-72B, metode ini meningkatkan tingkat keberhasilan dari 42,3% menjadi 48,9%.
- Peningkatan ini mewakili kenaikan 6,6 poin persentase tanpa biaya pelatihan tambahan dan hanya dengan overhead inferensi yang moderat.
Karya ini menunjukkan bahwa peningkatan diri yang digerakkan oleh kegagalan adalah pelengkap yang layak untuk pipeline yang ada, memungkinkan peningkatan agen yang lebih efisien.