مقاله‌ی arXiv:2610.08432 · در صف خبرنامه
EMHO: EMbodied Agent Harness Optimization via Experience Traces
بهینه‌سازی هارنس ایجنت بدن‌مند از روی ردپاهای تجربه، با مدل منجمد
- تاریخ
- (۱۴ مهر ۱۴۰۵) 2026-10-06 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Hyun Jung Lee, Jungtaek Kim, Jongwon Jeong, Tae-Eui Kam, Donghyun Kim, Yong Jae Lee
- نهاد نویسنده‌ها
- Korea University; University of Arkansas; University of Wisconsin–Madison
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
بهبود ایجنت‌های بدن‌مند معمولاً روی آموزش مدل زیربنایی تمرکز دارد، در حالی که هارنس پیرامونی که برنامه‌ریزی، کانتکست و استفاده از ابزار را کنترل می‌کند معمولاً دستی مهندسی می‌شود. سؤال این است که آیا هارنس می‌تواند مستقیم از ردپاهای تجربه و با بازخورد پراکنده‌ی محیط خودش را بهتر کند.
روش
چارچوب خودتکامل EMHO مدل بدن‌مند را منجمد نگه می‌دارد و با تحلیل مسیرهای اجرا و تاریخچه‌ی هارنس‌های قبلی، هارنس را به‌طور تکراری بازنگری می‌کند. فراتر از مهارت‌ها یا پرامپت‌های بازیابی، شیوه‌ی پایش پیشرفت، استفاده از ابزارهای بینایی، اتصال مشاهده‌ها و واکنش به شکست را تغییر می‌دهد. برای پشتیبانی چند زیرتسک با یک هارنس، EMHO-Merge با سود و زیان در سطح اپیزود تعیین می‌کند رفتارهای بازنگری‌شده کِی و چطور اعمال شوند.
یافته‌ها
- روی EmbodiedBench در تسک‌های ناوبری و دست‌کاری، موفقیت تسک را برای هر دو مدل Qwen ۹ و ۲۷ میلیاردی پیوسته بهتر کرد.
- تحلیل کیفی نشان داد روش فراتر از بازیابی از شکست، شیوه‌ی تفسیر و تعامل ایجنت با محیط را تغییر می‌دهد؛ مثلاً سهم توصیف‌های صحنه که دست‌کم سه شیء را با مختصات نام می‌برند از حدود ۸ به ۲۲ درصد رسید و برنامه‌های اولی که شیء غلط را انتخاب می‌کنند از ۵۰ به ۳۴ درصد کاهش یافت.
محدودیت‌ها
نویسنده‌ها می‌گویند با پیشرفت بهینه‌سازی، بهترین هارنس روی بخش جست‌وجو همیشه بهترین روی تسک‌های کنارگذاشته نیست و در چند اجرا کارایی کنارگذاشته ثابت ماند یا افت کرد، که نشانه‌ی بیش‌برازش است.
چرا مهم است
هارنس ایجنت‌های رباتیک معمولاً دستی و ثابت است. این کار نشان می‌دهد هارنس می‌تواند بدون آموزش مدل، از تجربه یاد بگیرد و نحوه‌ی دیدن و عمل ربات را بهتر کند.