Il Framework EvoTest Consente agli Agenti IA di Apprendere Abilità Complesse Durante il Tempo di Test

Un nuovo framework chiamato EvoTest è stato sviluppato da ricercatori per affrontare una carenza chiave negli agenti IA esistenti: la loro incapacità di apprendere in modo adattivo abilità intricate durante scenari di test. Questa carenza spesso li porta a comportarsi come "tirocinanti intelligenti ma sprovveduti" in ambienti non familiari. Per valutare i progressi in questo ambito, il team ha stabilito il benchmark Jericho Test-Time Learning (J-TTL), dove gli agenti devono giocare allo stesso gioco in più episodi, con l'obiettivo di migliorare le loro prestazioni ad ogni round. Le attuali tecniche di adattamento, inclusi memoria, riflessione e apprendimento per rinforzo, affrontano sfide significative in questo contesto. EvoTest evolve l'intero sistema agentico dopo ogni episodio, eliminando la necessità di fine-tuning. Questo framework presenta due ruoli: l'Actor Agent, responsabile del gameplay, e un meccanismo evolutivo per il perfezionamento del sistema. La ricerca, che evidenzia un divario significativo nelle capacità dell'IA, è stata pubblicata nella preprint arXiv arXiv:2510.13220v2.