एजेंटशोध 🇺🇸 11.08.2026 17:01

ACE के बारे में सोच रहे हैं? हम इसे कम टोकन्स के साथ कर सकते हैं

DeepSeekDeepSeek OpenAIOpenAI
यह ब्लॉग दो एजेंटिक मेमोरी सिस्टम, ACE (एजेंटिक कॉन्टेक्स्ट इंजीनियरिंग) और ALTK-एवॉल्व की तुलना करता है, दोनों ही एजेंट के पिछले ट्रैजेक्ट्रीज़ को वेट अपडेट के बिना पुन: उपयोग योग्य सबक में बदलते हैं। वे सबक को कंप्रेस न करने पर सहमत हैं, लेकिन डिलीवरी में भिन्न हैं: ACE हर कदम पर एक व्यापक प्लेबुक इंजेक्ट करता है, जबकि ALTK-एवॉल्व मॉडल और टास्क के आधार पर भेजने के लिए गाइडलाइन्स की संख्या को कैलिब्रेट करता है। AppWorld पर, ALTK-एवॉल्व समान या बेहतर सटीकता प्राप्त करता है, इन्फ्रेंस लागत के एक अंश पर।
यह ब्लॉग ALTK-Evolve का परिचय देता है और इसकी तुलना ACE (एजेंटिक कॉन्टेक्स्ट इंजीनियरिंग) से करता है, जो दोनों ही एजेंटिक मेमोरी के रूप हैं जो एजेंट के पिछले ट्रैजेक्टरीज़ को पुनः उपयोग योग्य पाठों में बदलते हैं, वज़न अपडेट किए बिना इन्फ़रेंस के समय इंजेक्ट किया जाता है। दोनों सिस्टम पाठों को संपीड़ित न करने के मूल सिद्धांत पर सहमत हैं: ACE एक व्यापक, विकसित होने वाली प्लेबुक का उपयोग करता है जिसमें प्रति-बुलेट उपयोगी/हानिकारक काउंटर होते हैं, जबकि ALTK-Evolve समान पाठों को क्लस्टर में समेकित करता है और प्रत्येक दिशानिर्देश के लिए समर्थन संख्या बनाए रखता है, स्टोर को कभी भी सारांशित नहीं करता। वे मेमोरी के निर्माण और वितरण में भिन्न हैं: ACE एक जनरेटर, रिफ्लेक्टर और क्यूरेटर लूप के माध्यम से एक एकल प्लेबुक विकसित करता है जिसमें डेल्टा अपडेट और एम्बेडिंग-आधारित डीडुप्लीकेशन होता है, जबकि ALTK-Evolve निकट-डुप्लिकेट को क्लस्टर करता है, समर्थन-संरक्षण के साथ विलय का समर्थन करता है, और उप-कार्य ग्रैन्युलैरिटी में प्रोवेनेंस के साथ टाइप किए गए दिशानिर्देश (रणनीति, पुनर्प्राप्ति, अनुकूलन) निकालता है। मुख्य अंतर वितरण में है: ACE हर चरण में पूरी प्लेबुक इंजेक्ट करता है, जबकि ALTK-Evolve उच्च-समर्थन दिशानिर्देशों का एक छोटा निश्चित कोर और प्रति-कार्य चयन भेजता है, या पूरा सेट अगर मॉडल इसे संभाल सकता है। AppWorld बेंचमार्क पर उसी ReAct एजेंट के साथ, ALTK-Evolve काफी कम टोकन के साथ उच्च या तुलनीय TGC और SGC स्कोर प्राप्त करता है: DeepSeek-V3.2 के लिए, TGC 89.3 बनाम 80.4 और प्रति कार्य 263K बनाम 634K टोकन; gpt-oss-120b के लिए, TGC 56.0 बनाम 54.8 और 116K बनाम 777K टोकन। सटीकता में वृद्धि पूरी प्लेबुक इंजेक्ट करने के बजाय प्रति कार्य कुछ दिशानिर्देश प्राप्त करने से आती है, और कठिनाई-वार विश्लेषण से पता चलता है कि कठिन कार्यों पर, क्यूरेटेड पुनर्प्राप्ति पूरी प्लेबुक से बेहतर प्रदर्शन करती है, जबकि आसान कार्यों पर, पूरी प्लेबुक अधिक मदद कर सकती है लेकिन अंतर छोटा है। ब्लॉग नोट करता है कि ACE की अपनी दक्षता संदर्भ को सस्ते में बनाने में है, जबकि ALTK-Evolve की दक्षता इसे प्रदान करने में है, और वितरण का कैलिब्रेशन ही टोकन बचत को संचालित करता है। ALTK-Evolve लाइब्रेरी, जिसमें निष्कर्षण, समेकन और पुनर्प्राप्ति पाइपलाइन शामिल है, एक पूर्ण तकनीकी रिपोर्ट के साथ उपलब्ध है।
स्रोत: Hugging Face blog — मूल
इस विषय पर हमारी पिछली पोस्ट ↓
ताज़ा समाचार