Foundation-model agents
PulseAugur coverage of Foundation-model agents — every cluster mentioning Foundation-model agents across labs, papers, and developer communities, ranked by signal.
-
ASU教授称LLM Agent面临“模拟到现实”鸿沟，重蹈强化学习覆辙
亚利桑那州立大学助理教授魏华认为，当前大型语言模型（LLM）Agent在实际应用中面临的挑战，与传统强化学习（RL）中遇到的“模拟到现实”（sim-to-real）鸿沟相似。他强调了语言泛化困难以及从模拟环境转向复杂物理世界时决策失败等问题。魏提出将机器人学中的“域随机化”（domain randomization）等技术应用于LLM Agent，并通过在提示（prompts）和动作空间（action spaces）中引入扰动，证明即…
-
新的RAG方法通过将逻辑与主题分离来提高代理的说服力
研究人员开发了一种名为分类策略检索（TS-RAG）的新方法，以解决基础模型代理中的复合故障，尤其是在说服等主观任务中。标准的检索增强生成（RAG）方法通常优先考虑词汇重叠而非逻辑必要性，从而导致错误。TS-RAG引入了一个分类瓶颈，将论证结构与主题内容分开，显著提高了抽象逻辑的传递，并将不对称部署中的获胜率从70.5%提高到78.5%。该系统还通过辩论状态表示（DSR）提供跟踪级诊断，以防止由于代理谄媚而导致的评估崩溃。
-
新的MARGIN方法实时校准基础模型智能体
研究人员开发了一种新的在线校准方法MARGIN，旨在提高多智能体系统中基础模型智能体的可信度。与需要模型访问和固定数据集的传统方法不同，MARGIN直接从任务流中实时学习校准因子，无需重新训练或使用保留数据。在19个模型和8个基准上的实验表明，MARGIN在分布变化下显著降低了校准误差，并提高了协调器选择最准确智能体响应的能力，在某些情况下甚至优于随机选择和表现最佳的单一模型。