ToolGraph повышает эффективность агентов, использующих инструменты в многоходовых сессиях, интегрируя схему топологии, веса переходов и контроль, учитывающий историю. Обучение с DPO на 161 паре предпочтений в точках разрыва улучшает производительность: ToolGraph+DPO достигает роста награды на 16,8% по сравнению с базовой версией, особенно в задачах авиационного и розничного сектора, где появление положительных наград выступает ключевым диагностическим сигналом.
arxiv
arXiv cs.CL
·
47 д назад
·
ист: 48 д назад
·
research
Саморазвитие агентов, использующих инструменты, через обучение предпочтений в точках разрыва
Переведено с English → Русский
Важность 2/3
Новый бенчмарк-харнесс с отличиями
arXiv cs.CL
Allen AI
AI agents
Evaluation & benchmarks
Reasoning models
Похожие статьи
arxiv
arXiv cs.CL
·
51 д назад
·
1 просмотр
H-RePlan: иерархическое восстановление для систем агентов на разных устройствах
H-RePlan вводит иерархическую систему перепланирования, которая разделяет восстановление стратегии на уровне устройства и перепланирование на глобальном уровне. Оно превосходит существующие базовые варианты, достигая более высокого уровня завершения и соблюдения инструкций, при снижении затрат на токены, за счёт восстановления с учётом области в системах агентов на нескольких устройствах.
arxiv
arXiv cs.LG
·
52 д назад
Act2Answer оценивает сохранение знаний в моделях визуально-языковых-действий
Act2Answer вводит лёгкий протокол для оценки сохранения общеупотребимых и мировых знаний в моделях визуально-языковых-действий (VLA), требуя от агентов отвечать на вопросы через действия размещения объектов. Большой масштабный анализ 7 моделей VLA и 9 базовых моделей VLM показывает, что VLAs хорошо справляются с простыми концепциями, но демонстрируют большие разрывы в богатых семантических категориях по сравнению с их исходными моделями VLM, при этом обучение с помощью VQA улучшает сохранение знаний, а наиболее яркие сигналы, связанные с правильным ответом, наблюдаются в средних слоях VLA.
lab
Hugging Face Blog
·
25 д назад
Агент Shippy от Skylight использует детерминированный CLI и изолированное песочничное окружение для надёжных морских запросов
Команда Skylight в Ai2 создала Shippy, ИИ-агента для осведомлённости о морской обстановке в реальном времени, который делает ставку на надёжность благодаря многоуровневой архитектуре навыков, системных промптов и конфигурации. Чтобы обеспечить корректность при запросе к живым данным, Shippy взаимодействует с API Skylight через специально созданный CLI, а не формируя сырые вызовы, что устраняет тонкие ошибки, связанные с пагинацией и кодированием геометрии.
arxiv
arXiv cs.LG
·
46 д назад
·
1 просмотр
Фреймворк LDT-FRL для кибер-устойчивых IoMT
Фреймворк LDT-FRL вводит систему защиты с сохранением конфиденциальности для устройств IoMT, объединяя временной внимательный механизм, лёгкие цифровые двойники и федеративное обучение с подкреплением. Он достигает точности 99,66% и 99,95% на тестах CICDDoS 2019 и TON-IoT, с идеальной F1 на классе MITM, сходится на 81% быстрее, чем ранее известные методы, и обеспечивает интерпретируемость решений защиты через SHAP и Grad-CAM.
arxiv
arXiv cs.CL
·
46 д назад
·
1 просмотр
MedBench v5: Динамический бенчмарк для клинической ИИ
MedBench v5 представляет динамический, процесс-ориентированный бенчмарк для клинических модальных моделей, включающий клиническую когнитивную реактивность и атомарные навыки по 63 задачам. В нем предусмотрены стресс-факторы для анализа деградации и мониторинга распространения галлюцинаций через пять узлов рассуждения, что показывает, что высокая производительность по задачам не гарантирует стабильность процесса.