Il framework NoisyAgent migliora la robustezza degli agenti LLM in contesti reali

I ricercatori propongono NoisyAgent, un framework di addestramento che migliora le prestazioni degli agenti basati su grandi modelli linguistici (LLM) in presenza di rumore nel mondo reale. Il framework affronta due fonti di rumore: il rumore dell'utente (ambiguità nelle istruzioni) e il rumore degli strumenti (output inaffidabili degli strumenti). Incorporando queste imperfezioni durante l'addestramento, NoisyAgent migliora la robustezza degli agenti, riducendo il degrado delle prestazioni osservato quando gli agenti passano da benchmark curati ad ambienti stocastici. L'approccio segna un passaggio dall'addestramento idealizzato a dinamiche di interazione realistiche.