ИССЛЕДОВАНИЕ · RESEARCH · #1101
Learning What to Skip (LW2S): контрфактуальная оценка вклада для экономных многoагентных LLM-воркфлоу
Статья (arXiv:2609.30734v1) формулирует пропуски компонентов в многoагентных LLM-воркфлоу как задачу контрфактуальной оценки вклада и предлагает метод Learning What to Skip (LW2S). LW2S обучает модели «безопасности» для отдельных действий на основе контролируемых вмешательств по пропуску и с помощью валидации на отложенной выборке и доменно-нативных защит выбирает шаги для пропуска; в экспериментах по математическому рассуждению, тестам с выбором ответа и генерации кода с двумя семействами инструкционных моделей метод снизил записанные токенозатраты при сохранении или улучшении точности полного воркфлоу в исследуемых сценариях.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- Статья (arXiv:2609.30734v1) формулирует пропуски компонентов в многoагентных LLM-воркфлоу как задачу контрфактуальной оценки вклада и предлагает метод Learning What to Skip (LW2S).
- LW2S обучает модели «безопасности» для отдельных действий на основе контролируемых вмешательств по пропуску и с помощью валидации на отложенной выборке и доменно-нативных защит выбирает шаги для пропуска; в экспериментах по математическому рассуждению, тестам с выбором ответа и генерации кода с двумя семействами инструкционных моделей метод снизил записанные токенозатраты при сохранении или улучшении точности полного воркфлоу в исследуемых сценариях.
- Это важно, поскольку умение определять ненужные компоненты воркфлоу позволяет снижать затраты токенов/вычислений в многoагентных LLM-пайплайнах при сохранении или улучшении точности.
ПОЧЕМУ ЭТО ВАЖНО
Это важно, поскольку умение определять ненужные компоненты воркфлоу позволяет снижать затраты токенов/вычислений в многoагентных LLM-пайплайнах при сохранении или улучшении точности.