مقاله‌ی arXiv:2610.00906 · منتشرشده در کانال
ActiveSaddler: Automated Curriculum Learning for Agent Harness Optimization
اکتیوسدلر: یادگیری برنامه‌ی درسی خودکار برای بهینه‌سازی هارنس ایجنت
- تاریخ
- (۹ مهر ۱۴۰۵) 2026-10-01 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Sungho Park, Wonjoong Kim, Jue Zhang, Wook-Shin Han, Pengfei Gao, Chanyoung Park, Yongqiang Yao, Rao Fu, Elsie Nallipogu, Qingwei Lin, Victor Rühle
- نهاد نویسنده‌ها
- POSTECH; KAIST; Microsoft
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
بهینه‌سازی خودکار هارنس می‌تواند ایجنت‌ها را با به‌روزرسانی مکرر پرامپت‌ها، رابط ابزارها و منطق کنترل از بازخورد اجرا بهتر کند. اما روش‌های موجود عمدتاً نحوه‌ی به‌روزرسانی را بهینه می‌کنند و این را ثابت می‌گذارند که کدام سناریوهای آموزشی بازخورد را تولید می‌کنند. با تکامل هارنس، سناریوهای مفید برای ادامه‌ی بهینه‌سازی عوض می‌شوند.
روش
نویسنده‌ها این بُعد گم‌شده را یک مسئله‌ی یادگیری برنامه‌ی درسی خودکار صورت‌بندی کردند. روش ActiveSaddler برنامه‌ی درسی را یک مسئله‌ی راهزن ناایستا با هدف‌های بهینه‌سازی پویا مدل می‌کند: شکست‌های تکراری را به بازوهای الگوی شکست قابل استفاده‌ی مجدد تبدیل می‌کند، پیشرفت یادگیری بالقوه از هدف گرفتن هر الگو را تخمین می‌زند و بین بازبینی ضعف‌های شناخته‌شده و کاوش سناریوهای دیده‌نشده توازن برقرار می‌کند.
یافته‌ها
- روی GAIA2 و Terminal-Bench ۲٫۰ پیوسته هارنس‌های قوی‌تری کشف کرد و Pass@۱ آزمون را به ترتیب ۴٫۴ و ۷٫۵ واحد درصد نسبت به همان بهینه‌ساز با ترتیب سناریوی ثابت بالا برد.
- آزمایش‌های حذفی نشان داد این بهبود به ساخت پویای هدف‌ها، تخمین سودمندی متغیرشان و توازن بین ادامه‌ی بهینه‌سازی و کشف شکست جدید بستگی دارد.
محدودیت‌ها
نویسنده‌ها می‌گویند روش یک کاوش پژوهشی برای بهینه‌سازی آفلاین هارنس است و به عنوان سیستم آماده‌ی تولید ارزیابی نشده، و آزمایش‌ها کاملاً در محیط بنچمارک با داده‌ی عمومی و مصنوعی انجام شده‌اند.
چرا مهم است
انتخاب این‌که روی کدام نمونه‌ها تمرین شود، در یادگیری انسان و ماشین هر دو مهم است. این کار نشان می‌دهد همین اصل برای بهینه‌سازی هارنس هم بهبود قابل توجهی می‌دهد.