مقاله‌ی arXiv:2610.20563 · منتشرشده در کانال
Scaling Discovery Requires Forgetting
برای پیش بردن کشف خودکار، ایجنت‌ها باید گاهی همه‌چیز را فراموش کنند
- تاریخ
- (۲۲ مهر ۱۴۰۵) 2026-10-14 تأییدشده از روی تاریخ ارسال نسخه‌ی اول در آرکایو
- نویسنده‌ها
- Shangyin Tan, Ben Zhou, Lakshya A Agrawal, Jialin Zhang, Yilin Chen, Qiuyang Mang, Donghyun Lee, Dennis Jacob, Koushik Sen, Alex Dimakis, Matei Zaharia
- برچسب لابراتوار
خلاصه‌ی فارسی
مسئله
پژوهش خودکار با ایجنت‌های مدل زبانی در حوزه‌های مختلف نتیجه‌های امیدوارکننده‌ای داده است: ایجنت‌ها با اصلاح پیاپی و یک امتیازدهنده‌ی خودکار ایده‌های تازه پیدا می‌کنند. برای بزرگ کردن این کار سه راه هست: یک ایجنت بیشتر کار کند، چند ایجنت موازی کار کنند، یا ایجنت‌های موازی با هم حرف بزنند و روی نامزدهای هم کار کنند. نویسنده‌ها دیدند هر سه راه با جمع شدن تاریخچه به سقف می‌رسند: هر ایجنت به تلاش‌های قبلی خودش لنگر می‌اندازد و ویرایش‌های کمتر و کوچک‌تری انجام می‌دهد، و بودجه‌ی اضافه بهبود چندانی نمی‌آورد.
روش
راه‌حل فراموشی است: هر چند وقت یک بار کل وضعیت جست‌وجو، یعنی سشن همه‌ی ایجنت‌ها و تاریخچه‌ی نامزدها، دور ریخته می‌شود و کار از بهترین نامزدی که تا آن لحظه پیدا شده از نو شروع می‌شود. این ایده در تیمی از ایجنت‌های در ارتباط با هم پیاده شده و روی چهار تسک ارزیابی شده است: برنامه‌نویسی هیوریستیک، بهینه‌سازی کرنل و آموزش مدل.
یافته‌ها
- تا ۱۵ درصد بهبود نسبت به ایجنت‌های موازی بدون فراموشی.
- تا ۳۹ درصد بهبود نسبت به یک ایجنت تنها.
- با همان بودجه، جست‌وجو از سقفی که روش‌های دیگر به آن می‌رسیدند جلوتر رفت.
محدودیت‌ها
متن کامل این مقاله به شکل HTML در دسترس نبود و چکیده محدودیت مشخصی ذکر نمی‌کند؛ ارزیابی روی چهار تسک است.
چرا مهم است
معمولاً فکر می‌کنیم ایجنت هرچه بیشتر به خاطر بیاورد بهتر است. این کار نشان می‌دهد در کشف باز، آنچه ایجنت اجازه دارد به خاطر بسپارد به اندازه‌ی محاسبه‌ای که می‌گیرد مهم است، و پاک کردن کانتکست می‌تواند خودش یک ابزار باشد.