[控场AI]
模型Self-evolving Agents through Experience-Grounded Abstraction

SAGA

一种基于经验落地的自我进化智能体框架,通过三层知识抽象(情景描述、可复用流程、原则)将交互轨迹提炼为可复用知识,无需修改模型参数即可实现智能体持续自我进化

时间轴 (近 90 天)

11月17日

任何使用配对结构-文本数据训练的分子语言模型,都可以尝试加入类似的CKA正则化。

待验证50%
11月17日

SAGA的实验仅在MolCA和Atomas上进行,对于更大规模或不同架构的模型效果仍需验证。

待验证50%
11月17日

SAGA(Structure-Aware Guided Alignment)是一种仅用于训练的正则化方法,通过中心核对齐(CKA)将神经分子表示与指纹based Tanimoto相似度对齐。

待验证50%
11月17日

SAGA不增加模型参数,且推理阶段无需计算分子指纹。

待验证50%
11月17日

SAGA在MolCA和Atomas两个模型上验证了有效性。

待验证50%
11月17日

在分子-文本检索任务中,SAGA提升了检索性能,并使非精确检索结果的结构更接近查询分子。

待验证50%
11月17日

在scaffold-split评估协议下,SAGA提高了平均性质预测性能。

待验证50%
11月17日

在单次运行的消融实验中,SAGA使分子描述生成和文本到分子生成任务的表现提升或保持不变。

待验证50%
11月17日

SAGA依赖于指纹相似度作为先验,但论文未系统比较不同指纹类型(如MACCS、Morgan)对结果的影响。

待验证50%
10月7日

消融研究揭示动作调节是关键因素:通过对候选动作进行纠正与重采样才能将原则级知识落到执行层面

待验证50%

还有 13 条时间轴事件

全部知识事实 (20)

待验证

任何使用配对结构-文本数据训练的分子语言模型,都可以尝试加入类似的CKA正则化。

50%
待验证

SAGA的实验仅在MolCA和Atomas上进行,对于更大规模或不同架构的模型效果仍需验证。

50%
待验证

SAGA(Structure-Aware Guided Alignment)是一种仅用于训练的正则化方法,通过中心核对齐(CKA)将神经分子表示与指纹based Tanimoto相似度对齐。

50%
待验证

SAGA不增加模型参数,且推理阶段无需计算分子指纹。

50%
待验证

SAGA在MolCA和Atomas两个模型上验证了有效性。

50%
待验证

在分子-文本检索任务中,SAGA提升了检索性能,并使非精确检索结果的结构更接近查询分子。

50%
待验证

在scaffold-split评估协议下,SAGA提高了平均性质预测性能。

50%
待验证

在单次运行的消融实验中,SAGA使分子描述生成和文本到分子生成任务的表现提升或保持不变。

50%
待验证

SAGA依赖于指纹相似度作为先验,但论文未系统比较不同指纹类型(如MACCS、Morgan)对结果的影响。

50%
待验证

消融研究揭示动作调节是关键因素:通过对候选动作进行纠正与重采样才能将原则级知识落到执行层面

50%
待验证

SAGA的当前验证主要集中在相对结构化的环境,在更开放复杂的真实场景下表现仍有待观察

50%
待验证

SAGA为闭源大模型场景下的免微调智能体进化提供了一条可行路径

50%
待验证

SAGA在外部记忆层面做知识蒸馏,用抽象换取精度,代价是引入对LLM归纳能力的依赖

50%
待验证

SAGA(Self-evolving Agents through Experience-Grounded Abstraction)是一个实现经验驱动知识抽象与利用的自我进化智能体框架

50%
待验证

SAGA将交互轨迹逐层提炼为三种层级知识:情景描述、可复用流程、带明确适用条件的原则

50%
待验证

SAGA中抽象出的每一条原则都保留与真实交互执行证据的链接,可追溯其依据

50%
待验证

SAGA面对新任务时会检索相关原则并将其实例化为任务特定的指导,通过纠正反馈和重采样优化候选动作

50%
待验证

SAGA构成了执行—抽象反馈循环(execution-abstraction feedback loop),全程无需修改模型参数

50%
待验证

SAGA的三层知识架构对应认知科学中的情景记忆、程序记忆和语义记忆

50%
待验证

研究团队在ScienceWorld和ALFWorld两个交互式环境基准上验证了SAGA,任务完成表现取得提升

50%

来源文章