ReGE 框架用经验合成提升智能体任务准确率
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，非原文转载把执行记录变成指导
ReGE 关注的是交互任务里反复尝试所留下的东西：过程中发现的事实、可用的操作方式，以及失败之处。该框架把这些被记录下来的经验整理成一份指导，供下一次尝试使用。其主实现 ReGE-Syn 的做法是用一次教练调用，把有边界的执行记录与手头可用的产物一并合成为自包含的指导内容，使任务层面的发现、建议采取的动作与相关陷阱彼此衔接。学生模型从任务的初始环境状态出发，再把这份指导调整到当前观察到的情形上。整个流程中，来源生成、合成与学生执行共用同一个基础模型，既不做参数更新，也不依赖更强的教师模型。
四项基准上的提升幅度
在四个基准上，ReGE 与无指导执行相比，GPT 一侧的准确率平均提高 9.9 个百分点，Claude 一侧平均提高 8.8 个百分点。这一对比的基线是不带指导的直接执行，因此提升来自指导本身而非模型能力变化。论文同时说明，指导构建与执行所用的模型与来源生成一致，没有额外引入更强的模型来充当指导者，这使上述提升可以在同一基础模型的条件下被观察到。
与 AggAgent 的构建开销对比
在匹配的 BrowseComp-Plus 子集上，ReGE-Syn 相对改造后的 AggAgent 大幅压缩了指导构建所需的 token，同时仍能观察到成功。若把输入与输出都计入、但不计来源生成，构建与执行两部分的 token 合计也出现下降。论文还给出消融结果：能否获取过程信息，与学生模型所需的步数更少相关联；而联合合成产生的指导，明显比直接使用历史记录或各自独立的摘要更短，且同样观察到成功。这些结果指向一种低成本方式，可用来归并并行智能体系统（例如智能体群体）产生的执行记录。
为什么值得看
不训练、不换更强模型，仅靠整理自身执行经验就能提升智能体表现，并大幅压缩指导构建开销。
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。