ChartEvo: Self-Evolving Agent Harnesses for Long-Tail Chart Reasoning
Pubblicata su AIChronos il · fonte del · Qi Wang, Peijie Wang, Jun Cao, Haoyang Tong, Xiao-Hui Li, Fei Yin
ChartEvo è un framework di auto-miglioramento ricorsivo progettato per far sì che gli agenti grafici si adattino ai tipi di grafico a coda lunga (long-tail) dove i modelli linguistici multimodali (MLLMs) tradizionali falliscono. Il sistema evolve simultaneamente competenze specifiche dei grafici e strumenti eseguibili, imparando catene locali riutilizzabili per gestire l'overhead dell'inferenza durante il ragionamento potenziato da tool. Su dataset come ChartBench e ChartX, questo approccio migliora significativamente la precisione rispetto alla base MLLM Qwen3.7-Plus, superando le limitazioni di scalabilità legate all'ingegnerizzazione manuale delle strategie.
- Risolve il problema della disuguaglianza prestazionale dei moderni MLLMs su grafici con strutture visive diverse e requisiti di ragionamento complessi.
- Implementa un meccanismo di self-improvement a livello harness che adatta gli agenti basandosi sull'esperienza accumulata sui casi difficili.
- Ottimizza l'uso delle risorse controllando attivamente l'inference overhead associato al raggruppamento di capacità evolute tramite tool-augmented reasoning.
- Dimostra un aumento del 45.6% e del 32.5% nell'accuratezza su long-tail charts rispetto a Qwen3.7-Plus sui benchmark ChartBench e ChartX.
Perché conta. Per uno sviluppatore che lavora con agenti AI locali, questo paper offre una via per superare le barriere di scalabilità dell'ingegnerizzazione manuale degli strumenti visivi senza sacrificare la precisione su casi d'uso complessi.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.