Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
Агентов для задач без единственно верного ответа научили выделять в удачных решениях ключевые шаги и переносимые приёмы. В препринте Alibaba, который не проходил рецензирование и содержит замеры самих авторов, ArenaFlow получил сводную оценку 62,3 против 45,3 у ArenaRL. Такой подход позволяет улучшать не всю цепочку действий одинаково, а те решения, которые действительно привели к результату.
ArenaFlow запускает несколько вариантов решения и сравнивает их в турнире на выбывание. Модель-оценщик выбирает победителя каждой пары, отмечает решающие шаги, извлекает из них краткие навыки и проверяет, использовал ли агент ранее сохранённые приёмы. Чем дальше решение прошло по турниру, тем больше веса получают его ключевые шаги.
Извлечённые навыки попадают в общую память. Система повышает оценку приёма, если модель-оценщик связывает его с победой, и исключает из поиска приёмы, которые после нескольких проверок остаются бесполезными. Перед следующим запуском ArenaFlow выбирает навыки одновременно по смысловой близости к задаче и по накопленной полезности.
Память дала заметную часть результата: без неё средняя оценка на Open-Travel снизилась с 55,4 до 41,2. При этом расширять подсказку бесконечно невыгодно: лучший результат дали три извлечённых навыка, а при шести оценка упала до 43,6. Для продуктовой реализации это аргумент в пользу короткой отобранной памяти вместо архива всех удачных траекторий.
Метод проверяли на трёх наборах задач: Open-Travel с планированием поездок, Open-DeepResearch с поиском и подготовкой материалов и DeepResearch Bench с исследовательскими запросами. ArenaFlow сравнивали с методами, которые назначают награду всей траектории, а также проверяли с Qwen3-Max, GPT-5 и Claude-4.5-Sonnet в роли модели-оценщика. Поэтому результаты относятся прежде всего к длинным задачам планирования и исследования, где качество ответа нельзя надёжно проверить одним правилом.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
