Meta^n：通过涌现深度实现递归式自我改进
Meta^n是一种递归改进大语言模型代理的方法。它不修改执行自我改进的操作，而是将一个固定操作反复应用于自身生成的结果。系统读取下层求解器堆栈的执行轨迹及生成这些轨迹的代码，然后将下一层构建为策略性预处理流程和可调用辅助函数库。固定操作旨在避免系统失稳，而不断增长的输入则让每一层能够从更高层次进行推理。递归深度由收敛情况决定，进化式存档则搜索不同的层级链。作者称，在两个基础模型和八类基准测试中，Meta^n的表现均优于此前的自我改进代理。在专门抵抗技能记忆的ARC-AGI-2上，只有Meta^n取得了高于零的分数。代码已公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。