Исследователи представляют AgentOccam, базовый метод для веб-агентов на основе LLM, который улучшает производительность за счёт уточнения пространств наблюдений и действий для лучшего согласования с данными предварительного обучения модели. Этот подход устраняет необходимость в ручных стратегиях, таких как примеры в контексте или многоагентные системы.

  • На бенчмарке WebArena AgentOccam превосходит предыдущие методы уровня state-of-the-art на 9.8 абсолютных пунктов (+29.4%) и конкурентные работы на 5.9 абсолютных пунктов (+15.8%).
  • Метод повышает показатели успешности на 26.6 пункта (+161%) по сравнению с аналогичными простыми веб-агентами.
  • Архитектура демонстрирует zero-shot производительность LLM в веб-задачах без использования онлайн-обратной связи или стратегий поиска.

Исследование подчёркивает критическую роль тщательной настройки пространств наблюдений и действий для агентов на базе LLM, чтобы обеспечить обобщение в реальных сценариях.