SSR: Как эволюция агентов решает парадокс роста задач

Парадокс масштабируемости агентов

Эволюция агентов (Agentic Harness Evolution) предполагает оптимизацию инструкций, инструментов и логики управления на основе опыта выполнения задач. Интуитивно кажется, что чем больше задач используется для обучения, тем лучше результат. Однако предварительные исследования выявили парадоксальную проблему: при расширении пула задач производительность существующих методов деградирует. Причина кроется в неоптимальном выборе «доказательств» (эвристик) для оптимизации — разные комбинации опыта приводят к радикально разным результатам.

Решение: Successive Scale Racing (SSR)

Авторы предлагают фреймворк SSR, который адаптивно ищет оптимальные комбинации доказательств в каждом раунде эволюции. Метод строит разнообразные варианты на основе качества и покрытия задач, а затем эффективно «гоняет» (races) кандидаты с ограниченным вычислительным бюджетом. Это позволяет отбраковывать слабые решения до их полной валидации.

Ключевые метрики и результаты

Эксперименты проводились на трех различных бенчмарках в шести конфигурациях. SSR показал state-of-the-art результаты во всех сценариях. Ключевое преимущество метода — стабильный рост точности при увеличении сложности:

Значение для индустрии

Метод SSR решает критическую проблему масштабирования автономных AI-агентов. Способность системы улучшаться по мере добавления новых, более сложных задач, при одновременном сокращении вычислительных затрат на валидацию, делает SSR перспективным инструментом для создания надежных и экономичных агентов в реальных условиях.

Источник: arXiv cs.AI ↗