Forskning31. juli 2026
Ny AI-metode lærer agenter ferdigheter på tvers av oppgaver
Av redaksjonen
En ny metode forbedrer hvordan AI-agenter gjenbruker og utvikler ferdigheter ved å lære dem på tvers av relaterte oppgaver, noe som gir markant bedre ytelse og effektivitet.
Forskere har utviklet SkillRise, et rammeverk som lar store språkmodeller (LLM) som fungerer som , lære og utvikle ferdigheter på tvers av ulike, men relaterte oppgaver. Dette står i kontrast til tradisjonell agentisk , hvor hver oppgave behandles som en uavhengig episode, noe som begrenser gjenbruk av erfaring.
SkillRise løser dette ved å organisere oppgaver i sekvenser av økende vanskelighetsgrad. En enkelt "" veksler mellom å løse en oppgave og å kuratere et ferdighetsdokument som kontinuerlig oppdateres og sendes videre til neste oppgave. Dette muliggjør en mer effektiv tildeling av kreditt for læring, hvor agenten belønnes både for å løse den aktuelle oppgaven og for å forbedre fremtidige resultater.
Testet på komplekse miljøer som ALFWorld og WebShop, oppnådde SkillRise en betydelig forbedring i ytelse, med opptil 8,5 prosentpoeng høyere "Pass@1" – en metrikk for å løse oppgaven på første forsøk – sammenlignet med de beste eksisterende metodene. Analyser viser at denne fremgangen skyldes gjenbruk av overførbare ferdigheter, selv om hver oppgave bare prøves én gang, og at løsningen også reduserer kjøretid.