无状态语言智能体：扩展长周期自动化研究
该研究提出 Stateless Language Agents（SLA），用于让语言模型智能体执行长期研究任务。系统不在每次调用间延续对话历史，而是由运行框架保存研究状态，包括候选方案和测量结果。无状态 Advisor 会查看汇总证据，并为并行 Workers 分配具体实验。在软件工程、内核优化和算法设计任务中，SLA 在最高十亿 token 的预算下，所有任务的最终结果均优于另外三个受测框架中的对比结果。在内核优化上，它以少于 84% 以上的 token 达到最强基线的最终性能。研究结果表明，将持久研究状态与智能体对话分离，可能有助于改进长期自动化研究。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。