EpiCon: apprendimento collettivo degli agenti attraverso una memoria multimodale in coevoluzione

Abstract degli autori

Gli agenti possono imparare dalle esecuzioni passate, ma resta difficile consentire ad agenti diversi di riutilizzare le esperienze altrui e svilupparle ulteriormente. Presentiamo EpiCon, un framework di memoria multimodale condivisa per l’apprendimento collettivo degli agenti che non richiede di aggiornare i parametri del modello ospite. EpiCon collega l’evoluzione della memoria a livello di singola domanda a un archivio persistente di esperienze tramite due modelli 2B addestrati indipendentemente: un controller della memoria e un auto-organizzatore ad albero. Il controller perfeziona congiuntamente le indicazioni testuali e le evidenze visive da un tentativo all’altro e include selettivamente la memoria visiva. L’auto-organizzatore consolida gerarchicamente gli insegnamenti acquisiti e recupera esperienze e regole per nuovi problemi. Valutiamo EpiCon su undici benchmark relativi a quattro ambiti di attività multimodali, utilizzando due harness e diversi backbone. Un archivio congelato migliora altri sistemi anche con un solo tentativo di risoluzione. Un secondo harness aumenta di 2,6 punti il punteggio macro-medio del sistema originale sugli undici benchmark. Nelle quattro configurazioni ospiti, EpiCon migliora i punteggi macro-medi di 1,7–4,9 punti rispetto a No Memory e riduce il tempo delle operazioni di memoria del 67\%–74\% rispetto a modelli di memoria delle dimensioni dei backbone.