Self-Improving Memory của Meta FAIR cho phép các agent tự viết lại prompt bộ nhớ của chính chúng
Bắt đầu từ đây
Meta FAIR, cùng các nhà nghiên cứu từ Đại học Washington và Đại học Johns Hopkins, đã giới thiệu Self-Improving Memory, một phương pháp hai giai đoạn cho phép một agent Kimi-K2.6 tự viết lại các prompt bộ nhớ LOAD và OFFLOAD của chính nó, rồi chưng cất các kỹ năng thu được thành trọng số LoRA. Harness đã tối ưu đạt trung bình 56,0 trên các tác vụ Database, Codebase và Spectrum của Continual Learning Bench, so với 44,6 của các prompt do con người viết tốt nhất, trong đó Codebase tăng 20,6 điểm lên 64,3. Sau khi chưng cất, mô hình chạy các prompt chung và vẫn đạt trung bình 43,1, so với 37,6 của SFT trên các quỹ đạo chung. Các nhà nghiên cứu báo cáo rằng 37 trong số 44 lần sửa đổi của meta-agent đã không vượt qua được mức tốt nhất trước đó.
Tạo từ các bài viết · cập nhật 27 phút trước
Dòng thời gian bài viết
Theo các bài viết để thấy sự việc từ nhiều phía.
- MarkTechPostSelf-Improving Memory của Meta FAIR đạt 56,0 điểm trên Continual Learning Bench
Meta FAIR, cùng các nhà nghiên cứu từ Đại học Washington và Đại học Johns Hopkins, đã giới thiệu Self-Improving Memory, một phương pháp hai giai đoạn cho phép một tác nhân Kimi-K2.6 tự viết lại các prompt bộ nhớ LOAD và OFFLOAD của chính nó, rồi chưng cất các kỹ năng thu được thành trọng số LoRA. Bộ khung tối ưu đạt trung bình 56,0 trên các tác vụ Database, Codebase và Spectrum của Continual Learning Bench, so với 44,6 của các prompt do con người viết tốt nhất, trong đó Codebase tăng 20,6 điểm lên 64,3. Sau khi chưng cất, mô hình chạy với các prompt chung và vẫn đạt trung bình 43,1, so với 37,6 của SFT trên các quỹ đạo chung, dù 37 trong số 44 lần chỉnh sửa của meta-agent không vượt được mức tốt nhất trước đó.
Độ nóng của sự việc này
Chưa đủ quan sát liên tục để vẽ xu hướng.