Autoevoluzione della memoria degli agenti guidata dalle capacità

Abstract degli autori

L’autoevoluzione della memoria sfrutta il feedback sui compiti svolti per migliorare iterativamente i programmi di memoria eseguibili che archiviano e recuperano informazioni dalle interazioni passate. Gli approcci esistenti adottano di solito un’evoluzione complessiva: ricavano le direzioni da seguire per le revisioni da feedback eterogenei e valutano i progressi in base alle prestazioni generali. Questo può rendere meno chiare le direzioni di ottimizzazione e nascondere i miglioramenti relativi a singole capacità quando sono compensati da peggioramenti altrove, lasciando poco esplorate direzioni promettenti. Introduciamo un’evoluzione guidata dalle capacità, che estende i criteri di ricerca dalle prestazioni generali alle singole dimensioni delle capacità, preservando le revisioni promettenti e ampliando l’esplorazione oltre i limiti dell’evoluzione complessiva. Proponiamo PrisMem, che usa una selezione delle capacità attenta alle dipendenze per dare priorità agli obiettivi con potenziali benefici anche per altre capacità, e una diagnosi guidata dalla cronologia per perfezionare gli specialisti delle singole capacità. Un’integrazione guidata dalle tracce confronta i programmi valutati su coppie di casi differenziali, sfruttando le differenze nel loro comportamento per riunire miglioramenti complementari in un unico programma di memoria. Gli esperimenti mostrano che PrisMem supera i migliori metodi di riferimento rispettivamente di 10,54 e 7,83 punti percentuali su BEAM-1M e LongMemEval-M, dimostrando la sua efficacia su cronologie da un milione di token.