Agent Plasticity 论文:前沿模型自我改进效率差异悬殊,迁移常不完整
_akhaliq · x · 2026-10-09
新论文《Agent Plasticity: Measuring Self-Improvement Through Experience》研究 AI 智能体从经验中学习的真实效率。
- 核心概念:研究将过往交互转化为可复用工件(工具、技能、记忆)并传给后续实例的自我改进智能体,提出 Agent Plasticity 指标——衡量智能体把学习成本转化为未来 held-out 性能提升的效率。
- 实验:在 Chess、Go、Hex、NetHack 上评测,发现:
- 前沿模型在相同学习机会下,改进轨迹差异极大;
- 表现最好的智能体不一定是学习效率最高的;
- 训练分布上的提升往往只能部分迁移到分布外;
- 有效的自我改进不仅靠检索过往经验和文本工件,还依赖产出有用工件并正确应用。
- 结论:评估自我改进智能体需要同时测量终点能力和改进的效率与可靠性。
所属事件:Meta 提出 Agent Plasticity：衡量智能体从经验中自我改进的效率(14 条相关)→
「编程与Agent」频道最新
- Grok Bot 线下聚会现场:观众投票点题,10 分钟生成可上线地图应用 — pswider · 2026-10-09
- Grok Bot 原生监控 X 上线,四个可复制 prompt 例程一键抄走 — elonmusk · 2026-10-09
- 微软 MXC 正式发布:Windows 11 为 AI Agent 提供策略化沙箱隔离 — danielhanchen · 2026-10-09
- 开源项目 Semwright:让 LLM Agent 操作 Blender 等桌面应用的 Rust 运行时 — Miserable-Tiger-3443 · 2026-10-09
- Opus 5 把 Qwen 基座 SWE-bench 成绩提升近三倍，RSIGym 开源 — rohanpaul_ai · 2026-10-09
- Khan Academy 推出 MCP Server，AI 助手可免密读取课程与视频字幕 — modelcontextprotocol · 2026-10-09