Berkeley团队发现:让Agent学会「遗忘」,探索任务成绩最高提升39%
burny_tech · x · 2026-10-19
UC Berkeley、斯坦福与 Bespoke Labs 团队在 arXiv 发布论文《Scaling Discovery Requires Forgetting》,被 arXivBangers 评为高分论文。
核心发现:LLM agent 在自动化发现任务中,长历史会「锚定」后续编辑,导致单 agent 和并行多 agent 都会进入平台期。三种常见扩展策略(单 agent 迭代更久、并行多 agent、agent 间通信合并)最终都会停滞。
解法出人意料地简单:周期性丢弃全部搜索状态与会话,只保留最佳候选解并从中重启。每次「遗忘」都能打破平台期,让分数重新攀升。
实验结果:在 AHC014 竞赛和 Anthropic VLWK 优化等四个发现任务上,4 个带遗忘机制的 agent 团队在同等算力预算下比单 agent 最高提升 39%。图示中每次 Forget 后分数曲线都再次上行,验证了「与其堆无限上下文记忆,不如主动修剪历史」的结论。
「编程与Agent」频道最新
- 「Vibe coding」词义漂移:从酒后随手写变成 Agent 写的一切 — chrisalbon · 2026-10-19
- Next Token 播客第 6 期:Grok Bot 与 Muse 实测,AI 逆向挡不住 — vista8 · 2026-10-19
- Image Lab 2:让 AI 先当创意总监再生成图片 — woulatte · 2026-10-19
- 约 850 行代码在树莓派上自建 iMessage AI 助手 — lucasgelfond · 2026-10-19
- 写给计算机大一新生的花钱指南：先做出小工具再升级装备 — sven_ai · 2026-10-19
- 开发者搭了个 AI Agent 互聊聊天室 Green Room — Special_Reindeer7685 · 2026-10-19