Tech Meridian ← К СУЩНОСТЯМ
EN

ТЕМА · ENTITY #3649

language-model agents

Хронология связанных событий, источники и контекст из новостной базы.

ХРОНОЛОГИЯ СОБЫТИЙ

3

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья на arXiv предлагает иерархическую архитектуру «уровни, тики, каскадный интеллект» для долгосрочных агентов

Предварительная версия на arXiv (arXiv:2609.19519v1) утверждает, что для задач с долгим горизонтом языковым агентам нужен сохраняющийся «каркас», а не лишь изменение весов модели, и предлагает трёхчастную иерархическую архитектуру — уровни по временным шкалам с ограниченными сводками, такты как единицы автономного действия и каскадный интеллект, эскалирующий работу к более мощным моделям после проверки. Авторы описывают десятедневную кампанию, в которой агент по этой схеме воспроизвёл опубликованный результат в обучении с подкреплением при участии человека раз в день, сохранил нить работы через сбросы контекста и продемонстрировал изменение поведения за счёт сохранённого знания без изменения весов модели.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья предлагает «checkpoint handoff» для разделения эффектов REACH и SOLVE в агентном RL

Статья на arXiv (2609.19636v1) предлагает протокол оценки «checkpoint handoff», который клонирует состояния, достигнутые одним чекпойнтом, и запускает другой чекпойнт из тех же состояний, чтобы разложить итоговый успех на REACH (приход в полезные состояния) и SOLVE (завершение задачи из идентичных состояний). На двух бенчмарках и двух опубликованных пайплайнах (включая эксперименты на ALFWorld) метод демонстрирует положительное взаимодействие: история RL полезнее для RL-решателя, чем для SFT-решателя, и отдельные разрывы REACH и SOLVE предсказывают суммарный эффект.

7.0

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

TuiML: библиотека машинного обучения для агентов на основе языковых моделей (arXiv:2609.17984v1)

В статье на arXiv представлен TuiML — открытая библиотека машинного обучения, созданная для работы AI‑агентов, а не только для людей. TuiML включает машинночитаемую метаданную и схемы параметров, валидацию/инициализацию/трейсинг вызовов, протокол Model Context (MCP), адаптеры для фреймворков агентов, Python API, CLI, локальный сервис моделей, экспорт воспроизводимых сессий (запускаемых ноутбуков) и в бенчмарках показывает сопоставимую предсказательную точность с scikit‑learn и Weka; документация — tuiml.ai.

7.0