ME News Notícias, 22 de abril (UTC+8), de acordo com o monitoramento do Beating, o Google Research lançou o quadro 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 possam primeiro recuperar e depois executar. O artigo relacionado foi publicado na ICLR, e o código já está open source no GitHub.
Anteriormente, duas soluções principais apresentavam defeitos: Synapse registra o trajeto completo de ações, com granularidade muito fina para transferência; Agent Workflow Memory apenas extrai fluxos de trabalho de casos de sucesso. ReasoningBank fez duas mudanças: mudou o objeto de armazenamento de "sequência de ações" para "padrão de raciocínio", com cada memória contendo três campos estruturados de título, descrição e conteúdo; o trajeto de fracasso também foi incorporado ao aprendizado.
O modelo chama outro grande modelo para autoavaliar o trajeto 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".
O artigo também propõe o Memory-aware Test-time Scaling (MaTTS), que investe mais poder de processamento na inferência para tentar repetidamente, armazenando o processo de exploração na memória.
A expansão paralela permite que o agente execute múltiplos trajetos diferentes para a mesma tarefa, extraindo estratégias mais robustas por auto comparação; a expansão sequencial refina repetidamente dentro de um único trajeto, 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 superou a linha de base sem memória com uma taxa de sucesso 8,3% maior no WebArena e 4,6% maior no SWE-Bench-Verified, com uma redução média de cerca de 3 passos por tarefa; após a expansão paralela com MaTTS (k=5), a taxa de sucesso no WebArena aumentou mais 3 pontos percentuais, e o número de passos diminuiu mais 0,4.
(Fonte: BlockBeats)

Ver original

Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.

Recompensa
gostar
Comentar
Republicar
Partilhar

Comentar

Adicionar um comentário

Nenhum comentário

Tópicos em destaque
Ver mais
#
MyGateTradeStory
1,1M Popularidade
#
USIranTalksPostponed
20,4M Popularidade
#
IsraelStrikesIranBTCPlunges
60,91K Popularidade
#
PredictWorldCup🇺🇸vs🇵🇾
930,26K Popularidade
#
TradFiCFDGoldMaster
2,07M Popularidade

Fixado

O Google lançou o ReasoningBank, onde agentes inteligentes extraem estratégias de raciocínio a partir de experiências de sucesso e fracasso.

Tópicos em destaque

MyGateTradeStory

USIranTalksPostponed

IsraelStrikesIranBTCPlunges

PredictWorldCup🇺🇸vs🇵🇾

TradFiCFDGoldMaster

Fixado