实体
long-lifecycle agents
long-lifecycle agents
PulseAugur coverage of long-lifecycle agents — every cluster mentioning long-lifecycle agents across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 2 条
-
新框架通过强化学习训练 LLM 以实现长期生命周期代理
研究人员开发了一个名为“Connect the Dots”（CoD）的框架，用于训练大型语言模型（LLM）以实现长期生命周期代理。该框架使代理能够在长时间内持续学习和自我更新对环境的理解，从而提高未来任务的性能。CoD 方法采用端到端的强化学习，结合了任务解决和上下文更新的交错式训练。概念验证实现和定制化环境证明了该框架在促进跨域泛化和自我改进方面的有效性。
-
新研究探索用于智能体生存、导航和可解释性的高级强化学习 · 跟踪 7 个来源
研究人员正在探索强化学习（RL）的高级技术，以增强智能体的性能和可解释性。一项研究提出了程序化策略（PERL）作为进化 RL 中神经策略（NERL）的替代方案，证明了 PERL 更高的生存率。另一篇论文侧重于使用 RL 进行自主机器人的流感知导航，发现使用速度和记忆传感器训练的智能体优于那些具有显式全局流参数的智能体。此外，正在开发新的方法来解释 RL 智能体，例如使用归纳逻辑编程（ILP）为策略可解释性创建客观指标，以及一种称为 S…