详细内容或原文请订阅后点击阅览
“假设树”防止人工智能研究代理忘记错误
自定义框架存储长期运行的研究任务中的实验结果，在相同预算下提供比其他模型高 2.5 倍的性能。
来源:OSP网站大数据新闻自定义框架存储长期运行的研究任务中的实验结果，在相同预算下提供比其他模型高 2.5 倍的性能。
来自中国人民大学和微软的专家针对人工智能研究代理在上下文窗口耗尽和重置时重复错误的问题提出了解决方案。科学家提出的 Arbor 框架保持了假设、实验和结果的恒定树，切断了死胡同，并沿着有希望的分支继续进行研究。
该框架由协调员、指导总体策略的“研究总监”和实施者组成，后者管理孤立的短命树以测试各个假设。随着结果的出现，整个树都会更新，缩小搜索范围并通过实验进行改进。
作者报告说，该技术在修复实际代码中的错误问题的测试中表现出了高性能。 Arbor 自主优化 AI 模型训练过程的能力还通过挑战代理在没有人工指导的情况下通过迭代实验提高不熟悉样本的泛化性能来测试。与 Codex 和 Claude Code 代理相比，在相同的资源预算下，Arbor 的性能平均高出 2.5 倍。