مقاله‌ی arXiv:2610.14118 · منتشرشده در کانال
ClawLoop: Self-Improving Agents via Harness-Native Training Loop
حلقه‌ی خودبهبودی برای ایجنت‌های هارنس، بدون مدل معلم بیرونی
- تاریخ
- (۱۷ مهر ۱۴۰۵) 2026-10-09 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Hansi Yang, Linji Hao, Hongyan Hao, An Wang, Han Wu, Qi Gu, Xunliang Cai
- نهاد نویسنده‌ها
- Meituan; Peking University
- برچسب لابراتوار
- موضوع‌ها
خلاصه‌ی فارسی
مسئله
ایجنت‌های مدل زبانی امروز در هارنس‌های عمومی کار می‌کنند و مستقیم با فایل‌ها و شل سروکار دارند. خط لوله‌های پس‌آموزش این ایجنت‌ها کم‌اند و بیشترشان یک‌باره و وابسته به معلم‌اند: یک مدل قوی‌تر بیرونی تسک و مسیر می‌سازد، مدل هدف یک بار آموزش می‌بیند و نتیجه‌ی ارزیابی به حلقه برنمی‌گردد. پس توانایی‌شان به مدل بیرونی و دانش پیشین انسانی محدود است.
روش
چارچوب ClawLoop سه مرحله را در یک چرخه‌ی خودکار ترکیب می‌کند: ساخت تسک با دو روال مکمل، افزایش سختی بر اساس تشخیص و تأیید تسک با و بدون ایجنت؛ آموزش با آموزش نظارت‌شده یا یادگیری تقویتی؛ و تشخیص و بازخورد، که رفتار ایجنت را تحلیل می‌کند و گزارش توانایی را برای ساخت تسک دور بعد برمی‌گرداند.
یافته‌ها
- با Qwen3.6-27B به عنوان مدل حلقه، روی SkillsBench، Claw-Eval-Live و ClawGym-Bench بهبود پیوسته دیده شد.
- تسک‌های اصلاح‌شده در حلقه به مدل‌های کوچک‌تر Qwen3.5-4B و 9B هم منتقل شدند و در همه‌ی بنچمارک‌ها بهبود دادند، که کیفیت داده را مستقل از مدل حلقه نشان می‌دهد.
محدودیت‌ها
مقاله بخش جداگانه‌ای برای محدودیت‌ها ندارد و چکیده عدد مشخصی برای اندازه‌ی بهبودها نمی‌دهد.
چرا مهم است
اگر ایجنت بتواند خودش تسک بسازد، روی آن آموزش ببیند و ضعف‌هایش را تشخیص دهد، بهبود دیگر به مدل معلم قوی‌تر محدود نیست. این کار نمونه‌ای عملی از چنین حلقه‌ای برای ایجنت‌های هارنس است.