ME News Notícias, 22 de abril (UTC+8), de acordo com o monitoramento do Beating, o Google Research lançou a estrutura de memória de agentes inteligentes ReasoningBank, permitindo que agentes impulsionados por grandes modelos aprendam continuamente após a implantação. A abordagem central é extrair experiências de sucesso e fracasso de tarefas passadas e armazená-las como estratégias de raciocínio universais na memória, para que na próxima tarefa semelhante, o agente primeiro recupere e depois execute. O artigo relacionado foi publicado na ICLR, e o código já está open source no GitHub.
Anteriormente, duas abordagens principais apresentavam defeitos: Synapse registra trajetórias completas de ações, com granularidade muito fina para transferência; Agent Workflow Memory extrai apenas fluxos de trabalho de casos de sucesso. ReasoningBank fez duas mudanças: o objeto de armazenamento mudou de "sequência de ações" para "padrão de raciocínio", com cada memória contendo três campos estruturados de título, descrição e conteúdo; trajetórias de fracasso também foram incorporadas ao aprendizado.
O modelo chama outro grande modelo para autoavaliação da trajetória de execução, e experiências de fracasso são divididas em regras para evitar armadilhas, por exemplo, de "ver o botão Load More e clicar" para "verificar o identificador da página atual para evitar rolagem infinita, antes de clicar em carregar mais".
A pesquisa também propõe o Memory-aware Test-time Scaling (MaTTS), que investe mais poder de processamento durante o raciocínio para tentar repetidamente, armazenando o processo de exploração na memória.
A expansão paralela permite que o agente execute várias trajetórias diferentes para a mesma tarefa, refinando estratégias mais robustas por auto-comparação; a expansão sequencial refina repetidamente dentro de uma única trajetória, registrando o raciocínio intermediário na memória.
Nos benchmarks WebArena de tarefas de navegador e SWE-Bench-Verified de tarefas de código, usando o Gemini 2.5 Flash como agente ReAct, o ReasoningBank, em comparação com a linha de base sem memória, aumentou a taxa de sucesso em WebArena em 8,3%, e em SWE-Bench-Verified em 4,6%, com uma redução média de cerca de 3 passos por tarefa; após a expansão paralela com MaTTS (k=5), a taxa de sucesso em WebArena aumentou mais 3 pontos percentuais, e o número de passos diminuiu mais 0,4.
(Fonte: BlockBeats)

Ver original

Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.

Recompensa
curtir
Comentário
Repostar
Compartilhar

Comentário

Adicionar um comentário

Sem comentários

Tendências
Ver projetos
#
MyGateTradeStory
1,1M Popularidade
#
USIranTalksPostponed
20,41M Popularidade
#
IsraelStrikesIranBTCPlunges
60,91K Popularidade
#
PredictWorldCup🇺🇸vs🇵🇾
941,68K Popularidade
#
TradFiCFDGoldMaster
2,07M Popularidade

Fixado

sitemap

Google lança ReasoningBank, agentes inteligentes extraem estratégias de raciocínio a partir de experiências de sucesso e fracasso

Tendências

MyGateTradeStory

USIranTalksPostponed

IsraelStrikesIranBTCPlunges

PredictWorldCup🇺🇸vs🇵🇾

TradFiCFDGoldMaster

Fixado