AgentitTutkimus 🇺🇸 11.08.2026 17:01

Ajatteletko ACE:ta? Voimme tehdä sen vähemmillä tokeneilla

DeepSeekDeepSeek OpenAIOpenAI
Blogissa verrataan kahta agenttimuistijärjestelmää, ACE (Agenttikontekstisuunnittelu) ja ALTK-Evolve, jotka molemmat muuttavat agentin aikaisempia toimintoja uudelleenkäytettäviksi oppitunneiksi ilman painopäivityksiä. Ne ovat yhtä mieltä siitä, ettei oppitunteja pidä pakata, mutta eroavat toimituksessa: ACE syöttää kattavan käsikirjan joka vaiheessa, kun taas ALTK-Evolve säätää lähetettävien ohjeiden määrän mallin ja tehtävän mukaan. AppWorldissa ALTK-Evolve saavuttaa saman tai paremman tarkkuuden murto-osalla päätelmäkustannuksista.
Blogi esittelee ALTK-Evolven ja vertaa sitä ACE:hen (Agenttikontekstin suunnittelu), jotka molemmat ovat agenttimuistin muotoja, jotka muuntavat agentin aikaisemmat polut uudelleenkäytettäviksi opetuksiksi, jotka injektoidaan päättelyvaiheessa ilman painojen päivittämistä. Järjestelmät ovat yhtä mieltä keskeisestä periaatteesta olla pakkaamatta opetuksia: ACE käyttää kattavaa, kehittyvää pelikirjaa, jossa on hyödyllisyys/haitta-laskurit jokaista luettelon kohtaa kohden, kun taas ALTK-Evolve yhdistää samankaltaiset opetukset klustereiksi ja ylläpitää tukilaskuria jokaista ohjetta varten, eikä koskaan tiivistä tallennetta. Ne eroavat siinä, miten muisti rakennetaan ja toimitetaan: ACE kasvattaa yhtä pelikirjaa generaattorin, heijastimen ja kuratoijan silmukan kautta delta-päivityksillä ja upotusperusteisella deduplikoinnilla, kun taas ALTK-Evolve klusteroi lähes identtiset kappaleet, tukee yhdistämistä tuen säilyttämisen kanssa ja poimii tyypitetyt ohjeet (strategia, palautuminen, optimointi) lähdetietoineen osatehtävän tarkkuudella. Keskeinen ero on toimituksessa: ACE injektoi koko pelikirjan joka vaiheessa, kun taas ALTK-Evolve lähettää pienen kiinteän ydinsarjan korkean tuen ohjeista sekä tehtäväkohtaisen valinnan, tai koko sarjan, jos malli pystyy käsittelemään sen. AppWorld-vertailussa samalla ReAct-agentilla ALTK-Evolve saavuttaa korkeammat tai vertailukelpoiset TGC- ja SGC-pisteet huomattavasti vähemmillä tokeneilla: DeepSeek-V3.2:lle TGC 89,3 vs. 80,4 ja 263K vs. 634K tokenia tehtävää kohden; gpt-oss-120b:lle TGC 56,0 vs. 54,8 ja 116K vs. 777K tokenia. Tarkkuusparannukset johtuvat siitä, että haetaan muutama ohje tehtävää kohden koko pelikirjan injektoinnin sijaan, ja vaikeustason mukainen analyysi osoittaa, että vaikeissa tehtävissä kuratoitu haku päihittää koko pelikirjan, kun taas helpoissa tehtävissä koko pelikirja voi auttaa enemmän, mutta ero on pieni. Blogi huomauttaa, että ACE:n oma tehokkuus on kontekstin halvassa rakentamisessa, kun taas ALTK-Evolven tehokkuus on sen toimittamisessa, ja että toimituksen kalibrointi on se, mikä aiheuttaa token-säästöt. ALTK-Evolve-kirjasto, mukaan lukien poiminta-, konsolidointi- ja hakuputki, on saatavilla yhdessä kattavan teknisen raportin kanssa.
Lähde: Hugging Face blog — Alkuperäinen
Aiemmat aiheeseen liittyvät kirjoituksemme ↓
Tuoreet uutiset