مقاله‌ی arXiv:2609.39304 · منتشرشده در کانال
Scale and Selection: What Makes Automatic Harness Evolution Work for Visual-Interface Robot Agents
مقیاس و انتخاب: چه چیزی تکامل خودکار هارنس را برای ایجنت‌های رباتیک با رابط بصری کارآمد می‌کند
- تاریخ
- (۸ مهر ۱۴۰۵) 2026-09-30 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Zhijie Wei, Ferris Tan, Jinghui Wang, Hao Zhou
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
وقتی یک ایجنت کدنویسی آماده مستقیم به عنوان سیاست ربات به کار می‌رود، یعنی یک رابط سه‌بعدی مرورگری را با اسکرین‌شات می‌بیند و با چند ابزار یک گیره‌ی مجازی هدف را جابه‌جا می‌کند، هارنس آن، یعنی پرامپت‌ها، ابزارها و قاعده‌های کنترل، تا حد زیادی موفقیت را تعیین می‌کند و تا کنون دستی نوشته شده است.
روش
نویسنده‌ها نشان دادند این هارنس را می‌شود با یک ایجنت کدنویسی دیگر به عنوان بهینه‌ساز خودکار بهتر کرد، و دو عامل قابل کنترل را تغییر دادند: تعداد اجراهایی که بهینه‌ساز در هر دور می‌بیند، و قاعده‌ی انتخاب بازنگری‌ها. قاعده‌ی ساده‌ی «قهرمان و چالشگر» یک بازنگری را فقط وقتی می‌پذیرد که روی همان موارد ثابت از نسخه‌ی فعلی بهتر باشد.
یافته‌ها
- با تعداد دور ثابت، موفقیت روی تسک‌های کنارگذاشته با رشد دسته‌ی آموزشی از ۵ به ۱۰۰ اجرا بالا رفت، در حالی که دسته‌های کوچک روی تسک‌های آموزشی بیش‌برازش کردند.
- پذیرفتن همه‌ی بازنگری‌های بهینه‌ساز هارنس را در چند دور خراب کرد، اما قاعده‌ی قهرمان و چالشگر موفقیت کنارگذاشته روی LIBERO را در ۳۰ دور از ۵۱ به ۶۷ درصد رساند.
- ترکیب هارنس تکامل‌یافته با یک سیاست پیش‌آموزش‌دیده از طریق یک ابزار، روی RoboCasa365 به ۷۱٫۲ درصد رسید، ۱۳٫۱ امتیاز بالاتر از بهترین نتیجه‌ی منتشرشده.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد؛ آزمایش‌ها در شبیه‌سازی انجام شده‌اند. وابستگی سازمانی نویسنده‌ها در متن در دسترس نیامده است.
چرا مهم است
بهینه‌سازی خودکار هارنس روی کاغذ ساده است اما در عمل به راحتی بیش‌برازش می‌کند یا خراب می‌شود. این کار دو قاعده‌ی عملی و ساده برای کارآمد کردنش می‌دهد: داده‌ی کافی در هر تصمیم و پذیرش فقط بهبودهای اثبات‌شده.