新系统Env-Rethink让LLM智能体在复杂环境中表现提升超15%
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
现实任务中，LLM智能体常因环境信息碎片化、有效证据与误导信息混杂、以及环境随时间演变产生新噪声，导致性能大幅下降（如从83.9%降至57.6%）。为此，研究提出Env-Rethink系统，其内置27B后训练模型，通过构建集合图与事件日志补充上下文、利用离线轨迹学习识别噪声、并基于虚拟事件历史演化环境来增加挑战，实现智能体递归自我改进。实验表明，该系统在30项任务上使9个模型的评分通过率提升超15.1%。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载智能体环境交互痛点
在办公流程或科学实验等现实场景中，大语言模型智能体需与环境反复交互以执行依赖上下文的操作。然而现有环境往往对智能体并不友好：一是信息散落且呈现碎片化；二是有效证据常与误导性内容及冲突版本交织；三是环境会随时间推移而演变，持续引入新噪声与更棘手的任务。这三重挑战致使当前最先进的AI智能体性能出现显著滑坡，例如准确率从83.9%急剧跌至57.6%。
Env-Rethink核心机制
为应对上述难题，研究团队提出Env-Rethink系统，其核心为一个27B参数的后训练模型。该系统具备三项关键能力：首先，能自适应构建集合图以组织关联文件，并生成事件日志来明确跨数据关系，从而补全必要上下文；其次，借助离线轨迹学习微调后的模型，精准定位环境中潜藏的噪声问题；最后，通过虚拟事件历史推动环境演化，改变其状态与证据关联，生成更具难度的环境以促进智能体递归式自我改进。
实验效果与验证
实验验证了Env-Rethink对下游任务表现的提升作用。在涵盖30项任务的测试集中，9个不同模型应用该系统后，评分通过率均获得超15.1%的增幅。这表明通过重塑和演化智能体运行环境，能有效克服环境噪声与信息碎片化带来的性能衰减，为提升智能体在复杂动态现实场景中的鲁棒性提供了可行方案。
为什么值得看
解决LLM智能体因环境不友好导致性能骤降的痛点，提供通过环境演化实现智能体自我改进的新路径。
智能体
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。