The Trinity:Capability-Driven Recursive Self-Improvement for Multimodal Agents
Pubblicata su AIChronos il · fonte del · Weidong Tang, Ruiheng Wang, Jingxuan Zhang, Hexin Wang, Haoyuan Chen, Zhengfeiyang Zhang
Il framework The Trinity introduce un approccio di auto-miglioramento ricorsivo per agenti multimodali che accoppia la generazione del mondo con l'evoluzione dei moduli Harness. Il sistema organizza i compiti in base ai requisiti sottostanti condivisi piuttosto che alle categorie superficiali, creando una gerarchica 'capability tree'. Attraverso tre ruoli (Creator, Explorer, Evolver), il framework genera mondi simulati verificabili per apprendere capacità e evolve moduli riutilizzabili. Questo approccio supera i colli di bottiglia della costruzione costosa di ambienti eterogenei e dell'iterazione manuale Harness.
- Sostituisce l'organizzazione dei compiti basata sulla superficie con una struttura gerarchica guidata dalle capacità sottostanti condivise.
- Il ruolo Creator astrae requisiti comuni in mondi simulati semplificati per facilitare l'apprendimento delle capacità.
- L'evoluzione progressiva di moduli Harness riutilizzabili avviene tramite ereditarietà selettiva all'interno di una topologia fissa.
- Un Capability-Aware Harness Router seleziona configurazioni compatibili utilizzando informazioni pubbliche sui compiti.
- Il metodo migliora le prestazioni medie del 34% su benchmark di addestramento e del 26% su benchmark non visti.
Perché conta. Per gli sviluppatori che lavorano con LLM, agenti e AI locale, questo framework offre una via per scalare la complessità dei task senza dipendere da ambienti fisici costosi o iterazioni manuali lente. Consente di costruire sistemi autonomi capaci di trasferire capacità apprese in mondi simulati a compiti reali non visti.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.