arxiv arXiv cs.AI · há 2 h · research

AIDE^2 permite autoaperfeiçoamento recursivo de agentes de pesquisa com IA

Traduzido do English → Português (BR)

Pesquisadores apresentam o AIDE^2, um sistema que implementa um ciclo de autoaperfeiçoamento recursivo para um agente de pesquisa com IA ao otimizar seu próprio código. O sistema propõe alterações em sua lógica interna, avalia versões modificadas em tarefas de P&D de IA e retém apenas as melhorias que obtêm o melhor desempenho em avaliações ocultas.

Em uma execução autônoma de 8 dias, o AIDE^2 descobriu sete melhorias sucessivas, incluindo uma nova política de busca e mecanismos de memória para compressão de contexto.
O agente descoberto mais forte iguala ou supera um agente de pesquisa de produção projetado por humanos em quatro benchmarks mantidos fora do conjunto de treinamento em engenharia de aprendizado de máquina, engenharia de algoritmos heurísticos e previsão meteorológica baseada em física.
Em uma família de tarefas mantida fora do conjunto de treinamento separada, os agentes descobertos exibiram redução no hacking de recompensa, com a taxa caindo de 55% para 32%, o que é 7 pontos percentuais abaixo do agente projetado por humanos.

Esses resultados demonstram que um agente de pesquisa com IA pode melhorar sua própria eficiência de pesquisa por meio de autoaperfeiçoamento recursivo e que esses ganhos se transferem para tarefas e domínios que o ciclo nunca encontrou.

Importância 2/3 Novo ambiente de avaliação com diferenciais arXiv cs.AI AI agents Research paper

Artigos relacionados

arxiv arXiv cs.AI · há 3 h · 12 visualizações

Growing Harness transforma o controle recorrente de agentes em código reutilizável por meio de treinamento guiado por falhas

Os autores apresentam o Growing Harness, um paradigma de treinamento que aprende a estrutura de controle de um agente a partir do feedback da tarefa, em vez de depender de harnesses padrão com grande carga contextual. Ao converter decisões de controle recorrentes em código executável e reservar chamadas de LLM para raciocínio semântico, o método visa criar agentes especialistas reutilizáveis.

arxiv arXiv cs.LG · há 4 h · 11 visualizações

AIDE^2 permite autoaperfeiçoamento recursivo de agentes de pesquisa com IA

Pesquisadores apresentam o AIDE^2, um sistema que implementa um ciclo de autoaperfeiçoamento recursivo para um agente de pesquisa de IA de ponta, otimizando seu próprio código. O sistema propõe alterações em sua lógica interna, avalia versões modificadas em tarefas de P&D de IA e retém apenas as atualizações que obtêm o melhor desempenho em avaliações ocultas.

arxiv arXiv cs.CL · há 6 h · 12 visualizações

Agensh escala a inteligência organizacional para 1.024 agentes

Pesquisadores apresentam o Agensh, um arnês multiagente auto-organizado e escalável que elimina o gargalo do orquestrador central ao permitir que trabalhadores concorrentes reivindiquem sub-tarefas assincronamente e mesclam o progresso.

arxiv arXiv cs.CL · há 2 d · 10 visualizações

TrialAtlas: sistema multiagente melhora a avaliação de riscos no planejamento de ensaios clínicos

Pesquisadores apresentaram o TrialAtlas, uma organização de pesquisa multiagente com memória aprimorada, projetada para auxiliar no planejamento do desenvolvimento clínico (CDP). O sistema coordena agentes especializados para síntese de literatura, inteligência competitiva e análise regulatória, a fim de antecipar riscos no desenvolvimento.

arxiv arXiv cs.AI · há 8 d · 24 visualizações

Prévia do Atria Dawn: modelo de linguagem agêntico fundamental para pesquisa científica

O Atria Dawn Preview é um modelo de linguagem agêntico fundamental projetado para fluxos de trabalho de pesquisa científica e engenharia, treinado por meio de um Pipeline de Experiência Verificável que conecta interações mediadas por ferramentas a ambientes executáveis. Em 16 benchmarks que abrangem pesquisa do mundo real, engenharia e trabalho digital, o modelo é competitivo em relação aos agentes de ponta e alcança a maior pontuação relatada em cinco deles.