EvolveNet: Collaborative Harness Evolution for Agent Self-Improvement
A EvolveNet introduz um framework colaborativo para o autoaperfeiçoamento de agentes que transmite um harness compartilhado para agentes locais para evolução independente e, em seguida, agrega suas adaptações de programa, permitindo assim a transferência de conhecimento entre cargas de trabalho isoladas sem centralizar dados brutos.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Imagine que você tem um cérebro de robô superinteligente (um Grande Modelo de Linguagem) que consegue escrever código, resolver problemas matemáticos ou planejar viagens. Mas esse cérebro está congelado; você não pode retreiná-lo ou mudar sua fiação interna. Para fazer com que ele realmente faça as coisas, você precisa envolverlo em um "harness" (um arreio ou suporte) — um conjunto de instruções, um script ou um programa que diz ao céreão quando falar, quais ferramentas usar, como verificar seu próprio trabalho e o que fazer se cometer um erro. Pense no harness como o corpo e o sistema nervoso do robô. Um corpo melhor pode fazer o mesmo cérebro congelado realizar milagres que ele não seria capaz de fazer antes.
Por muito tempo, cientistas tentaram melhorar esses corpos reunindo todos os erros e sucessos do robô em um único amontoado gigante de dados em uma sede central. Lá, um único "otimizador" tentaria evoluir um corpo perfeito para todos. Mas, no mundo real, os robôs (ou agentes) estão espalhados por toda parte: em diferentes empresas, com diferentes bancos de dados e em diferentes ambientes. Eles nem sempre podem compartilhar seus dados privados devido a regras de privacidade ou limites técnicos. Isso cria um quebra-cabeça: Como construir um corpo compartilhado e superinteligente para todos se você não pode trazer toda a experiência para um único lugar?
É aqui que o artigo EvolveNet entra com uma ideia nova e astuta. Em vez de reunir todos os dados bagunçados em um só ponto, o EvolveNet inverte o roteiro. Ele envia um "corpo compartilhado" (o harness) para todos os diferentes robôs. Cada robô tenta melhorar esse corpo usando seus próprios dados locais e seus próprios problemas específicos. Uma vez terminados, eles não enviam seus dados de volta; eles enviam apenas as mudanças que fizeram no corpo. Um servidor central então atua como um mestre alfaiate, costurando as melhores partes de todas essas diferentes modificações em um novo e melhorado corpo compartilhado, que é então enviado de volta para todos.
O artigo descobre que essa "evolução colaborativa" funciona incrivelmente bem. Em testes realizados em cinco áreas diferentes — como transformar texto em consultas de banco de dados, escrever código de ciência de dados e resolver desafios de programação competitiva — o corpo compartilhado tornou-se significativamente melhor em cada tarefa. Por exemplo, em um desafio de codificação chamado DS-1000, a precisão saltou de 55,5% para 68,5%. Crucialmente, o artigo mostra que essa melhoria não vem de apenas escolher o melhor robô e ignorar os outros. Em vez disso, ela vem da combinação das correções únicas descobertas por diferentes robôs. Um robô pode corrigir um problema com um tipo específico de biblioteca matemática, enquanto outro corrige um erro de lógica em uma área diferente. O trabalho do servidor é descobrir como manter ambas as correções sem que elas briguem entre si. Os pesquisadores descobriram que, ao usar regras de "escopo tipado" — essencialmente dizendo ao corpo: "Use esta correção apenas quando estiver lidando com matemática, mas use aquela correção apenas quando estiver lidando com mapas" — eles poderiam fundir essas diferentes habilidades em um único agente supercapaz.
O estudo também descarta a ideia de que você precise centralizar todos os dados para obter bons resultados. Ele prova que você pode manter os dados locais e privados, enquanto ainda constrói um sistema mais inteligente coletivamente. No entanto, os autores tomam o cuidado de notar que isso não é uma varinha mágica que resolve tudo instantaneamente. O processo leva várias rodadas de tentativa e erro, e o sistema depende de ter alguns dados rotulados para verificar se as mudanças realmente funcionam. Embora os resultados sejam fortes e mensurados através de múltiplos cenários do mundo real, o artigo sugere que, à medida que esses sistemas crescem e operam por mais rodadas, podem surgir novos desafios, como o código se tornar grande demais ou bagunçado, que precisam ser gerenciados. Mas, por enquanto, o EvolveNet mostra que, ao permitir que muitos agentes evoluam suas próprias habilidades especializadas e depois as costurem cuidadosamente, podemos criar uma inteligência coletiva que é muito mais inteligente do que qualquer agente individual poderia ser sozinho.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.