T-STAR: Ny metod för att förbättra AI-agenters beslutsfattande
Forskare har utvecklat T-STAR, ett system som hjälper AI-agenter att lära sig bättre genom att bygga 'kognitiva träd' som identifierar vilka steg i resoneringsprocessen som är mest kritiska. Metoden konsoliderar olika beslutsvägar och använder detta för att ge mer precis feedback till agenten, vilket visar särskilt stora förbättringar på uppgifter som kräver långa resoneringskedjor.
Djupdykning
De flesta ser bara de färdiga AI-svaren, men T-STAR tittar på hela tankeprocessen – som att studera hur en schackmästare tänker genom hela partiet istället för bara slutdraget. Genom att kartlägga AI-agentens resonemang som ett träd där liknande tankesteg slås ihop, kan forskarna identifiera exakt vilka steg som verkligen spelar roll för att nå rätt svar. Det här är som skillnaden mellan att ge alla spelare i ett fotbollslag samma betyg versus att inse att vissa passningar är avgörande för målet. Det verkligt smarta ligger i "thought grafting" – när AI:n hittar fel i sitt resonemang kan den bokstavligen transplantera fungerande tankegångar från andra försök, lite som att kopiera och klistra in från sina egna bästa idéer. Istället för att bara säga "fel svar, försök igen" lär sig systemet kirurgiskt precist var tankarna spårade ur och hur man rättar till dem.