Материал подготовлен автоматически по первоисточникам: ссылки на них — в конце статьи.
LLM-агенты смогли учиться на прошлых попытках без обновления параметров модели. В препринте Yutong Song и соавторов, который пока не рецензирован, а числа в нём получены самими авторами, Hippo улучшил результаты во всех трёх проверенных средах. Такой подход позволяет менять поведение агента через внешнюю память, не переобучая саму модель.
Простое накопление опыта работает недолго. Ошибочные рассуждения иногда приводят к успеху, а неудачное исполнение может скрыть верную стратегию, поэтому результат одной попытки ещё не показывает, какой вывод стоит сохранить. Базовый вариант без упорядочивания памяти сначала улучшал работу агента, но затем уступил версии, которая вообще не использовала память.
Hippo сравнивает несколько попыток выполнить одну задачу и выделяет решения, которые можно использовать повторно. Новый опыт система сопоставляет с уже сохранённым: объединяет совпадающие выводы, разбирает противоречия и записывает условия, при которых совет применим. Поэтому память не превращается в список отдельных уроков, которые могут дублировать или опровергать друг друга.
Подход улучшил результаты на SWE-bench Verified, WebArena и Mind2Web. При этом Hippo сохранил меньше фрагментов опыта, чем вариант с последовательным накоплением, а эффект повторился на базовых моделях разной силы. Размер выигрыша в доступном абстракте не указан, поэтому сравнить Hippo с альтернативами по затратам или практической отдаче пока нельзя.
Проверка охватывает задачи из трёх названных наборов и несколько базовых моделей; поскольку материал доступен только по абстракту, подробная методика из него не восстанавливается. Для архитектуры продукта работа предлагает конкретный выбор: хранить не историю действий целиком, а пересматриваемые правила с явными условиями применения.
Источники
Похоже на вашу задачу?
Расскажите, что собираете. За полчаса разложим на этапы и назовём сроки — это бесплатно и ни к чему не обязывает.
