KARMA：免训练知识原子化框架提升广告智能体表现
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，非原文转载框架怎么运作
KARMA 全称 Knowledge-Atomic, Regression-Gated Modular Adaptation，核心做法是不动模型权重，也不改可执行的 harness 代码，而是让六类带类型标注的知识模块随业务变化演化。演化循环里，确定性 Trace Verifier 先把观察到的错误定位到候选模块，再由 Critic 对比成功轨迹与失败轨迹，为受工具约束的 Evolver 提供方向。Evolver 只做原子化的知识编辑，每次改动都要经过固定验证门：实测增益达到阈值才保留，否则回滚到上一版知识状态。这样知识更新被拆成可单独审查的小块，而不是整体重训。
评测规模与结果
评测覆盖约五十万条真实运营日志，横跨六个电商域，并选用三个 LLM 系列，共形成 18 个域-模型设置。在这些设置上，平均留出分数从 30.19 提高到 39.15，绝对提升 8.96 分，相对提升 29.7%。消融实验说明两类轨迹都不可少：去掉成功轨迹或去掉失败轨迹，平均留出增益都会减少一半以上，意味着 Critic 的对比信号是增益的主要来源之一。
跨域迁移与可审查性
演化得到的知识在不再做额外适配的情况下也能迁移到其他域，所有源-目标组合的平均留出增益为 8.54 分，说明知识模块承载的是可复用的决策经验，而非绑定单一场景的补丁。论文还强调，保留下来的每个补丁都能关联到对应的诊断证据与验证结果，因此知识适配过程可检查、可回退，适合部署在 Web 市场环境中需要持续跟随商品、流量与运营策略变化的智能体。
为什么值得看
免训练、可回滚、可审查的知识演化路径，对需要频繁跟随商品与流量变化的广告智能体有直接参考价值。
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。