AdaptEvolve: Selezione Adattiva di LLM per Agenti AI Evolutivi Efficienti
Un nuovo framework di IA chiamato AdaptEvolve mira a migliorare l'efficienza dei sistemi agentici evolutivi selezionando dinamicamente modelli linguistici di grandi dimensioni (LLM) durante l'inferenza. L'approccio affronta il compromesso tra costo computazionale e capacità di ragionamento utilizzando la confidenza intrinseca di generazione per stimare la risolvibilità in tempo reale. A differenza delle cascate di modelli esistenti che si basano su euristiche statiche o controller esterni, AdaptEvolve tiene conto esplicitamente dell'incertezza del modello. I risultati empirici dimostrano che la selezione guidata dalla confidenza raggiunge una frontiera di Pareto favorevole, riducendo il costo totale di inferenza mantenendo le prestazioni. Il lavoro è pubblicato su arXiv (2602.11931v2) e rappresenta un passo verso sistemi di IA più adattivi.
Fatti principali
- AdaptEvolve è un framework per la selezione adattiva di LLM in sistemi agentici evolutivi.
- Utilizza la confidenza intrinseca di generazione per stimare la risolvibilità in tempo reale.
- L'approccio riduce il costo totale di inferenza mantenendo la capacità di ragionamento.
- Le strategie di routing esistenti si basano su euristiche statiche o controller esterni.
- I risultati empirici mostrano una frontiera di Pareto favorevole per la selezione guidata dalla confidenza.
- L'articolo è disponibile su arXiv con ID 2602.11931v2.
- Il lavoro affronta il compromesso tra efficienza computazionale e capacità di ragionamento.
- AdaptEvolve opera all'interno di un framework di raffinamento sequenziale evolutivo.
Entità
Istituzioni
- arXiv