Модель предсказывает исход работы ИИ-агента до завершения задачи

Авторы представляют траекторию агента как последовательность действий и наблюдений в общем пространстве представлений. В нём успешные и неуспешные попытки одной задачи разделяются.

На основе этого подхода они создали Precog-RM: модель, которая, по их словам, предсказывает успех траектории задолго до её завершения и переносит прогнозы на новые задачи и модели.

В эксперименте с обучением GRPO на Tau2-Bench ранняя остановка по сигналу Precog-RM сократила вычисления на обучение до 47,3% при сопоставимом с базовым методом качестве.

Если ранний прогноз сработает в других сценариях, обучение агентов можно будет останавливать до завершения заведомо неудачных попыток и тратить меньше вычислений.

Это препринт: результаты заявлены авторами и не являются независимой проверкой.

Артём · Пинзес AI