Cette page résume et organise les publications en intelligence artificielle du monde entier. Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif. Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.
Cet article propose SE-Agent, un cadre d'auto-évolution (SE) qui exploite efficacement les trajectoires d'interaction qui émergent lors de la résolution de problèmes d'un agent basé sur un modèle de langage à grande échelle (LLM) afin d'améliorer ses performances. Pour surmonter les limites des méthodes existantes comme MCTS, qui conduisent à des résultats sous-optimaux en raison des interdépendances et du manque de diversité, SE-Agent optimise itérativement le processus d'inférence grâce à trois opérations : modification, recombinaison et amélioration des trajectoires précédentes. Cela lui permet d'explorer diverses voies de résolution, d'atténuer l'impact des voies inefficaces et d'améliorer les performances. Les résultats expérimentaux obtenus avec SWE-bench Verified démontrent des performances de pointe, atteignant jusqu'à 55 % de gains de performance sur cinq LLM robustes.
Takeaways, Limitations
•
Takeaways:
◦
Une nouvelle approche pour optimiser le processus de résolution de problèmes des agents basés sur LLM est présentée.
◦
Aborder les problèmes d’interdépendance et de manque de diversité des MCTS existants Limitations.
◦
Amélioration efficace des performances et espace de recherche étendu grâce à la réutilisation du chemin précédent.
◦
Excellentes performances prouvées dans les tâches réelles de résolution de problèmes GitHub.
◦
Développer la recherche et suggérer la convivialité grâce à la divulgation de sources ouvertes.
•
Limitations:
◦
L'efficacité de SE-Agent peut dépendre des performances du LLM utilisé.
◦
ÉTant donné que ces résultats sont basés sur un domaine spécifique (problème GitHub), des recherches supplémentaires sont nécessaires pour déterminer la généralisabilité.
◦
Des recherches supplémentaires sont nécessaires sur les stratégies d’optimisation pour les trois opérations (modification, recombinaison et amélioration).
◦
Il est nécessaire de vérifier l’évolutivité de SE-Agent pour les problèmes de très grande complexité.
