مقاله‌ی arXiv:2610.20334 · نگه‌داشته برای بعد
TreeFlex: Agents Navigating Their Own Search Trees
ایجنتی که پیشرفتش را در یک درخت جست‌وجو ذخیره می‌کند و خودش تصمیم می‌گیرد از کدام گره ادامه دهد
- تاریخ
- (۲۲ مهر ۱۴۰۵) 2026-10-14 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Dongzhuo Li, Fangzhou Cheng, Weiwei Li, Kevin Han, Haixu Ma, Zhongchang Sun, Ruiyi Li, Serena Li, Xiangjun Fan, Lizhu Zhang, Yuandong Tian
- نهاد نویسنده‌ها
- Meta AI
خلاصه‌ی فارسی
مسئله
ایجنت به سبک ReAct مشاهده‌ها، نتیجه‌های میانی و تلاش‌های ناموفق را در یک کانتکست انباشته می‌کند. با بزرگ شدن کانتکست، اطلاعات کهنه و بیرون از مسیر ظرفیت محدود آن را پر می‌کند و شواهد مرتبط را پنهان می‌کند؛ مثلاً در یک پژوهش طولانی، نتیجه‌ی سه جست‌وجوی بی‌حاصل اولیه هنوز در کانتکست است و استدلال فعلی را شلوغ می‌کند.
روش
در چارچوب TreeFlex ایجنت هر وضعیت میانی را با یک خلاصه‌ی کوتاه به عنوان گره‌ای در یک درخت جست‌وجو ذخیره می‌کند که هارنس نگه می‌دارد. یک مدل زبانی دو نقش دارد: در نقش بازتاب، با دید کلی از خلاصه‌ها گرهی را برای ادامه انتخاب و یک دستور صادر می‌کند؛ در نقش اجرا، هارنس مسیر منتهی به آن گره را بازمی‌گرداند و مدل دستور را اجرا می‌کند تا گره تازه‌ای ذخیره یا راه‌حلی پیشنهاد کند. پس سیاست بدون ترتیب پیمایش ثابت یا امتیاز گره، تصمیم می‌گیرد عمیق‌تر برود، شاخه بزند، برگردد، تأیید کند یا متوقف شود. همه‌ی این‌ها با نسخه‌ای درخت‌آگاه از GRPO و پاداش نتیجه به همراه پاداش فرایند آموزش داده می‌شوند.
یافته‌ها
- بعد از یادگیری تقویتی کوچک روی یک مدل ۴ میلیاردی، با سقف کانتکست فعال برابر، روی یک بنچمارک سخت پژوهش عمیق به دقت ۴۸٫۸ درصد رسید، در برابر ۴۱٫۵ برای ReAct ساده و ۴۲٫۸ برای FoldAgent؛ و نرخ موفقیت در هشت تلاشش حدود ده امتیاز بالاتر از هر دو بود.
- روی SWE-bench Verified، با آموزش هر سه سیستم از یک مدل ۹ میلیاردی، ۵۴٫۹ درصد تسک‌ها را حل کرد، در برابر ۴۳٫۳ برای FoldAgent و ۴۵٫۲ برای نسخه‌ی قدم‌به‌قدم آن.
محدودیت‌ها
نویسنده‌ها می‌گویند آزمایش‌ها کوچک‌اند: مدل ۴ میلیاردی روی ۶۱۶ پرسش و مدل ۹ میلیاردی روی حداکثر ۲۵۰ تسک آموزش دید و هر تنظیم یک بار اجرا شد. مقایسه‌ها بین سیستم‌های کاملی است که در پرامپت و رابط ابزار هم فرق دارند.
چرا مهم است
مدیریت کانتکست در کارهای طولانی یکی از گلوگاه‌های اصلی ایجنت‌هاست. این کار به جای خلاصه‌سازی یا تا کردن خطی، به ایجنت اجازه می‌دهد پیشرفتش را مثل یک درخت ببیند و خودش مسیر را انتخاب کند.