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.
Läs hela hos Hugging Face →
Sammanfattningen är skriven av Vibekollen utifrån källans egen publicering. Innehållet tillhör Hugging Face.