Ottimizzazione dello Spazio di Lavoro: Addestramento di Agenti Senza Aggiornamenti dei Pesi

Un nuovo articolo su arXiv propone l'ottimizzazione dello spazio di lavoro come metodo per addestrare agenti basati su modelli linguistici senza modificare i loro pesi. L'approccio si concentra sull'evoluzione dello spazio di lavoro esterno dell'agente — il substrato strutturato su cui legge, scrive e testa — attraverso l'interazione. Gli autori introducono DreamTeam, un sistema multi-agente per ARC-AGI-3 che utilizza ruoli per costruire modelli del mondo, pianificare, formulare ipotesi e instradare i fallimenti. Il metodo rispecchia l'addestramento nello spazio dei pesi con artefatti come parametri, evidenze come dati, controesempi come perdite e feedback testuale come gradienti. L'articolo si rivolge ad ambienti multi-turno difficili in cui i modelli all'avanguardia hanno forti priorità ma non riescono a risolvere i compiti in un unico tentativo.