Escher-Loop: Agenti AI che si evolvono a vicenda in un ciclo chiuso
Il recentemente introdotto framework AI, Escher-Loop, propone un sistema autosufficiente con due tipi di agenti: Agenti Task e Agenti Ottimizzatori, che si evolvono insieme autonomamente. Gli Agenti Task affrontano sfide specifiche, mentre gli Agenti Ottimizzatori migliorano continuamente sia le proprie capacità che quelle degli Agenti Task. Un sistema di benchmarking flessibile utilizza i punteggi empirici dei nuovi Agenti Task come indicatori di vittoria/sconfitta per regolare i punteggi degli Ottimizzatori, facilitando la valutazione e il miglioramento senza carico aggiuntivo. I test su problemi di ottimizzazione matematica dimostrano l'efficacia del framework. Il documento di ricerca è disponibile su arXiv con ID 2604.23472.
Fatti principali
- Escher-Loop è un framework a ciclo chiuso per l'evoluzione reciproca di Agenti Task e Agenti Ottimizzatori.
- Gli Agenti Task risolvono problemi concreti; gli Agenti Ottimizzatori affinano sia gli agenti task che se stessi.
- Un meccanismo di benchmarking dinamico riutilizza i punteggi degli agenti task come segnali di vittoria/sconfitta per gli aggiornamenti degli ottimizzatori.
- Il framework elimina la necessità di flussi di lavoro scriptati manualmente e euristiche artigianali.
- Le valutazioni empiriche sono state condotte su problemi di ottimizzazione matematica.
- L'articolo è pubblicato su arXiv con ID 2604.23472.
- L'approccio mira a consentire un miglioramento aperto negli agenti autonomi.
- Il sistema è completamente autoreferenziale e a ciclo chiuso.
Entità
Istituzioni
- arXiv