LeafSkill 用 1.7B 选择器复用叶子级动作，减少宿主模型调用
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。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载问题出在叶子级动作
递归式 LLM 智能体依靠分解、执行和环境反馈来处理长程任务。论文观察到，智能体产出原子子任务之后，常常再次调用同一个大模型，把一条已经熟悉的指令翻译成可执行动作。作者把这两类工作区分开：高层规划依赖具体任务，而叶子级动作绑定在不同任务之间反复出现，并且可以对照环境允许的动作进行校验。这一区分是 LeafSkill 的设计前提，也决定了它只接管叶子级动作绑定，不介入高层规划。
复用层与选择器
LeafSkill 作为模型参数之外的外部复用层存在：它检索语义相关的绑定经验，把动作模板绑定到当前对象和环境允许的动作上，再由一个 1.7B 的轻量选择器决定采用绑定后的动作，还是把未改动的子任务交回原智能体。由于技能存放在模型参数之外，冻结的选择器也能使用后续训练阶段新增的技能。论文给出的检索结果显示，在词汇与句法改写条件下，精确匹配无法检索到任何参考动作，语义检索的候选覆盖率分别为 96.0% 和 97.0%；冻结的选择器采纳了 97.34% 的未见技能类型。
任务完成与开销对比
在 Robotouille 的 200 个独立确认任务上，LeafSkill 完成 137 个，ReCAP 完成 121 个，完成率为 68.5% 对 60.5%，McNemar 精确检验 p=.0259。在两者都完成的 106 个任务上，Qwen3.5-27B 的 token 用量下降 14.42%，调用次数下降 14.08%。另一次留出的重复实验得到一致结果：成功率提升 9.0 个百分点，token 减少 18.98%。论文的结论是，可复用的叶子级动作绑定能在不替换高层规划的情况下提高任务完成率，并减少宿主模型的推理开销。
为什么值得看
把可复用的叶子级动作绑定放到模型之外，在不替换高层规划的前提下同时提升完成率并降低宿主模型推理开销。
信源1 家
关键事实
LeafSkill 是一个外部复用层，检索语义相关的绑定经验，把动作模板绑定到当前对象与环境允许的动作上。[1]
一个 1.7B 的轻量选择器负责选择绑定动作，或把未改动的子任务交回原智能体。[1]
在词汇与句法改写下，精确匹配检索不到参考动作，语义检索的候选覆盖率分别为 96.0% 和 97.0%。[1]
在 Robotouille 的 200 个任务上完成 137 个，ReCAP 完成 121 个（68.5% 对 60.5%，McNemar 精确检验 p=.0259）。[1]
在两者都完成的 106 个任务上，Qwen3.5-27B 的 token 用量减少 14.42%，调用次数减少 14.08%。[1]
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。