Nytt minnessystem för AI-agenter lär sig kontinuerligt från feedback
Forskare har utvecklat Live-Evo, ett minnessystem för språkmodeller som uppdateras i realtid baserat på användarfeedback. Systemet förbättrade prestanda med 20,8% på Brier-poäng och ökade marknadsavkastning med 12,9% under en 10-veckorsperiod. Live-Evo separerar erfarenheter från riktlinjer och viktar minnen baserat på hur användbara de visat sig vara över tid.
Djupdykning
Forskare har utvecklat Live-Evo, ett nytt minnessystem för AI-agenter som kontinuerligt lär sig och anpassar sitt minne baserat på pågående feedback, till skillnad från traditionella system som tränas på statiska dataset. Systemet separerar "vad som hände" från "hur man använder det" genom två separata banker för erfarenheter och riktlinjer, vilket gör att AI:n kan bygga upp och använda sina minnen mer effektivt över tid. Det mest intressanta är hur systemet efterliknar mänskligt minne genom att förstärka användbara erfarenheter medan det gradvis glömmer bort vilseledande eller föråldrad information. Testresultaten visar imponerande förbättringar med 20,8% bättre prognosförmåga och 12,9% högre marknadsavkastning över en 10-veckorsperiod, vilket tyder på att kontinuerligt lärande kan vara en genombrottsteknologi för AI-system som verkar i verkliga miljöer. Nyckelinsikt: Live-Evo representerar ett paradigmskifte från statisk AI-träning till dynamiska system som kontinuerligt utvecklas genom interaktion, vilket kan vara avgörande för AI-agenter som ska fungera i föränderliga verkliga miljöer.