📄ArXiv AI•最新收集於 17h
BCO 為代理優化器建立持久世界模型
#agent-optimization#world-models#coding-agents#benchmarkingbelief-calibrated-optimization-(bco)belief-calibrated-optimizationarxiv
💡了解持久世界模型如何在多項基準與目標模型替換後提升代理 scaffold 表現。
⚡ 30-Second TL;DR
有什麼變化
BCO 根據候選方案的分數與執行軌跡，持續撰寫並修訂 in-context 世界模型。
為什麼重要
BCO 顯示，持久且可編輯的信念能讓迭代式代理工程更有效率，並提升跨目標模型的可遷移性。這為優化複雜代理 scaffold 提供了實用基礎，避免每輪都丟棄先前的推理經驗。
下一步行動
在你的 coding agent 優化迴圈中加入持久世界模型文件，每次評估後更新它，並與不使用文件的對照組比較保留集通過率。
誰應關注：Researchers & Academics
關鍵要點
- •BCO 根據候選方案的分數與執行軌跡，持續撰寫並修訂 in-context 世界模型。
- •在記憶問答、工具使用問答、以程式碼為行動的應用代理，以及終端機代理等任務上，BCO 均優於沒有世界模型的對照組。
- •離線消融實驗顯示，文件內容本身能提升環境回應預測能力，而不只是文件格式帶來效果。
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： ArXiv AI ↗
每週 AI 簡報
每週一封，可隨時退訂。