Nytt system hjälper AI-agenter navigera röriga och föränderliga miljöer

arXiv cs.AI

När AI-agenter (LLM-baserade system som utför uppgifter självständigt) tvingas arbeta i rörigt verkliga miljöer – med splittrad information och motstridiga data – kan deras prestanda rasa från 83,9% till 57,6%. Forskarna bakom Env-Rethink har byggt ett 27-miljarders-parametersystem som organiserar filer, filtrerar brus och till och med skapar syntetiska scenarion för att träna agenter på svårare situationer. Resultatet är över 15% förbättring i uppgiftslösning över nio olika modeller och 30 olika arbetsuppgifter – vilket antyder att problemet med 'agentredo' miljöer är minst lika viktigt som själva agentens förmåga.