요약: 자동 에이전트 설계는 LLM 기반 에이전트의 성능을 향상시키는 실행 가능한 아키텍처를 탐색하며, 진화적 방법은 언어 모델 크로스오버를 사용하여 작업 분해, 모델 조정 및 검증을 위한 유망한 메커니즘을 재조합합니다. 그러나 이러한 탐색은 일반적으로 집계 적합도만으로 안내되며, 이는 각 점수 뒤에 숨겨진 인스턴스 수준의 성공과 실패를 가려냅니다. 우리는 에이전트 설계를 위한 실행 안내형 유전 재조합(GRAFT)을 제안하며, 이는 선택과 생존에 집계 적합도를 사용하고 부모별 실행 증거를 활용하여 통합된 변이와 함께 의미적 크로스오버를 안내합니다. 해당 피드백 하네스는 적합도 평가에서 성공 및 실패 실행의 제한된 샘플을 재사용하며, 참조 답변을 보류하고 추가적인 작업 실행을 요구하지 않습니다. 우리는 개방형 가중치 최적화 및 실행기 모델을 사용하여 여섯 가지 추론 및 프로그래밍 설정에서 GRAFT를 평가합니다. 그 결과 평균 테스트 정확도 82.0%를 달성하여 가장 강력한 기준선을 9.8%포인트 상회합니다. 통제된 제거 실험에 따르면, 초기화, 탐색 규칙, 복구 정책 및 평가 예산을 고정한 상태에서 실행 증거를 추가하면 테스트 정확도가 향상됩니다. 우리의 결과는 진화적 에이전트 설계를 위한 부모별 실행 증거의 가치를 뒷받침합니다. 투고 이력 논문 보기: PDF 보기 HTML(실험적) TeX 소스 추가 기능 음성 요약 현재 탐색 컨텍스트: 참고 문헌 및 인용 Google 학술검색 Semantic Scholar 북마크 기관 arXivLabs는 협업자가 당사 웹사이트에서 새로운 arXiv 기능을 직접 개발하고 공유할 수 있도록 하는 프레임워크입니다. arXivLabs를 활용하는 개인과 조직 모두 개방성, 커뮤니티, 우수성 및 사용자 데이터 개인정보 보호라는 당사의 가치를 수용하고 받아들였습니다. arXiv은 다음 사항을 약속합니다: 이러한 가치는 오직 이를 준수하는 파트너와만 협력할 때에만 적용됩니다. arXiv 커뮤니티에 가치를 더할 프로젝트 아이디어가 있으신가요? arXivLabs에 대해 자세히 알아보세요.
AI NEWS JOURNAL
arXiv cs.AIAI NEWS / JOURNAL
GRAFT: 에이전트 설계를 위한 실행 기반 유전자 재조합
arXiv:2611.23509v1 발표 유형: 신규 초록: 자동 에이전트 설계는 언어 모델 크로스오버를 사용하여 작업 분해, 모델 조정 및 검증을 위한 유망한 메커니즘을 재조합하는 진화적 방법으로 LLM 기반 에이전트 성능을 향상시키는 실행 가능한 아키텍처를 탐색합니다. 그러나 이러한 탐색은 일반적으로 집계 적합도만으로 안내되며, 이는 각 점수 뒤에 숨겨진 인스턴스 수준의 성공과 실패를 가려냅니다. 우리는 에이전트 설계를 위한 실행 안내형 유전 재조합(GRAFT)을 제안하며, 여기서 집계 적합도는 선택과 생존에 사용되고 부모별 실행 증거는 통합된 변이와 함께 의미적 크로스오버를 안내하는 데 활용됩니다. 이 시스템의 피드백 하네스는 적합도 평가에서 얻은 성공 및 실패 실행의 제한된 샘플을 재사용하며, 참조 답안을 보류하고 추가적인 작업 실행을 요구하지 않습니다. 우리는 개방형 가중치 최적화 및 실행기 모델을 사용하여 여섯 가지 추론 및 프로그래밍 설정에서 GRAFT를 평가합니다. 그 결과 평균 테스트 정확도 82.0%를 달성하여 가장 강력한 기준선을 9.8%포인트 상회합니다. 통제된 제거 실험에 따르면, 초기화, 탐색 규칙, 복구 정책 및 평가 예산을 고정한 상태에서 실행 증거를 추가하면 테스트 정확도가 향상됩니다. 우리의 결과는 진화적 에이전트 설계에 있어 부모별 실행 증거의 가치를 뒷받침합니다.
이 언어의 번역이 아직 없어 원문을 표시합니다.