Heterogeneous Co-Evolution Learning for Tool-Efficient Search Agents with Zero Labels
Pubblicata su AIChronos il · fonte del · Qin-Wen Luo, Sheng Ren, Xiang Chen, Rui Liu, Jun Fang, Naiqiang Tan
ZEST-Search è un framework per la formazione di agenti di ricerca che opera senza etichette (zero-label) e ottimizza l'efficienza degli strumenti. Il metodo risolve le limitazioni dei dataset fissi adattando dinamicamente i compiti di training in base al confine evolutivo delle capacità dell'agente. Utilizzando un processo guidato dalla generazione della risposta prima del percorso delle prove, il sistema bilancia la precisione delle risposte con la riduzione delle ricerche ridondanti. L'apprendimento eterogeneo co-evoluzionale permette di ottimizzare congiuntamente la difficoltà dei compiti e l'efficienza degli strumenti tramite reward specifici per proponenti e solver.
- Il framework ZEST-Search elimina la dipendenza da collezioni di task etichettati o fissi, adattandosi all'avanzamento delle capacità dell'agente.
- Viene introdotto un meccanismo 'answer-first and evidence-path-guided generation' per costruire validamente i compiti di ricerca online.
- L'utilizzo di reward intermedi e tool-aware permette di penalizzare le ricerche ridondanti, migliorando l'efficienza degli strumenti senza dati esperti.
- Gli esperimenti su benchmark multi-hop dimostrano un miglioramento costante delle prestazioni rispetto agli approcci basati solo sul risultato finale.
Perché conta. Per gli sviluppatori di agenti AI locali o RAG, questo approccio riduce drasticamente i costi computazionali ed economici eliminando la necessità di dataset etichettati costosi e ottimizzando l'uso delle risorse di ricerca.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.