EvoLib: Mengubah Pengalaman menjadi Pengetahuan yang Berkembang

EvoLib adalah sebuah kerangka kerja dari Microsoft Research yang memungkinkan sistem AI untuk belajar dari pengalaman selama inferensi tanpa memerlukan label kebenaran dasar (ground-truth) atau pembaruan model. Tidak seperti sistem memori tradisional yang menyimpan pengalaman mentah secara statis, EvoLib mengubah upaya-upaya masa lalu menjadi keterampilan yang dapat digunakan kembali dan wawasan reflektif. Unit-unit pengetahuan ini terus dikonsolidasikan dengan pengetahuan serupa yang sudah ada agar menjadi lebih umum, dan setiap unit diberi bobot berdasarkan dampak jangka panjangnya terhadap tugas-tugas di masa depan. Kerangka kerja ini diuji pada tugas penalaran matematika, efisiensi kode, dan pengambilan keputusan, secara konsisten mengungguli pendekatan memori berbasis pencarian (retrieval-based) terbaik dengan penggunaan token yang lebih efisien. EvoLib juga menunjukkan kinerja yang kokoh pada urutan tugas acak, yang mengindikasikan penerapan praktis dalam skenario dunia nyata di mana tugas-tugas datang secara arbitrer. Sistem ini mencapai peningkatan kinerja yang lebih tinggi seiring bertambahnya komputasi saat pengujian (test-time compute) dibandingkan dengan peningkatan komputasi terisolasi dan metode berbasis memori lainnya. Kode dan eksperimen tersedia secara publik di GitHub.