Nya metoden låter AI-agenter lära sig av misstag – och minska antalet LLM-anrop med upp till 92%

arXiv cs.AI

Forskare har utvecklat 'Growing Harness', ett system där AI-agenter gradvis bygger upp återanvändbar kod från sina egna misstag istället för att lösa samma kontrollproblem om och om igen i varje ny uppgift. Resultatet är slående: antalet anrop till språkmodellen minskar med 76–92%, och kostnaderna för inferens (att köra modellen) sjunker med upp till 98,6%. Särskilt intressant är att systemet presterar lika bra med en liten 4B-modell som med en stor 120B-modell på webbnavigeringstester – där den vanliga verktygsstyrda agenten kollapsade till 6,7% träffsäkerhet med den lilla modellen.