SKILL: Agente Multi-LLM per l'Ottimizzazione della Sintesi Logica
I ricercatori hanno introdotto un nuovo framework chiamato SKILL, che sta per Self-correcting Knowledge-guided Iterative Large Language Model Agent. Questa innovazione mira a migliorare l'ottimizzazione della sintesi logica combinando diversi grandi modelli linguistici con l'apprendimento per rinforzo. Affronta sfide come l'espansione degli spazi di ricerca, le ricompense sparse e le diverse strutture logiche. A differenza dei metodi tradizionali che sono rigidi e delle attuali tecniche di apprendimento per rinforzo che lottano con efficienza e chiarezza, SKILL integra il ragionamento multi-agente LLM con RL. Impiega tre LLM specifici: GPT-4o per la pianificazione, Claude Sonnet 4 per il ragionamento e Gemini 2.5 Pro per l'analisi, supportati da un agente RL basato su PPO. Un modulo di autocorrezione valuta il feedback per affinare le azioni. I risultati sono disponibili su arXiv con l'identificatore 2608.14579.
Fatti principali
- SKILL è un agente LLM iterativo, autocorrettivo e guidato dalla conoscenza per l'ottimizzazione logica.
- Combina il ragionamento multi-agente LLM con l'interazione ambientale basata su RL.
- Vengono utilizzati tre LLM: GPT-4o, Claude Sonnet 4 e Gemini 2.5 Pro.
- Un agente RL basato su PPO apprende le politiche tramite interazione diretta con gli strumenti di sintesi.
- Un modulo di autocorrezione monitora le metriche PDA e attiva strategie di recupero.
- Il framework affronta sfide come spazi di ricerca esponenziali e ricompense sparse.
- L'articolo è pubblicato su arXiv con ID 2608.14579.
- L'approccio mira a migliorare l'adattabilità e l'interpretabilità rispetto ai metodi tradizionali.
Entità
Istituzioni
- arXiv