Thinking of ACE? We Can Do It with Fewer Tokens
Bild från huggingface.co
Hugging Face presenterar ALTK-Evolve, ett system som lär AI-agenter att använda verktyg mer tillförlitligt genom att spara och återanvända tidigare misstag och framgångar.
Det liknar ett äldre system kallat ACE, men skiljer sig i hur det levererar lärdomarna: medan ACE skickar alla inlärda lektion varje gång agenten gör något, skickar ALTK-Evolve bara de mest relevanta. På samma uppgift når ALTK-Evolve samma eller bättre resultat som ACE men använder bara en sjundedel av de symboler (tokens) som ACE behöver — det gör det snabbare och billigare att köra.
ACE names the failure modes precisely: brevity bias — optimization collapsing toward short, generic instructions — and context collapse — a model asked to rewrite its whole context each step summarizing the detail away.
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör Hugging Face.
Mer från Hugging Face
IBM releases SOTA Granite Time Series PatchTST-FM-r2 model with commercial-friendly license
Hugging Face för 7 tim sedan
Safety for Whom? Refusing the Right Subset of a Topic, Not the Whole Topic
Hugging Face 8 sep.
v0.34.0
Ollama för 22 min sedan
The exact tools used to port a massive codebase in days #programming #typescript #dev
AI Engineer för 3 tim sedan