כתבה
arXiv cs.AI ·
EMHO: אופטימיזציה של חברת האג'נט המורכבת דרך תיעוד חוויות
EMHO: EMbodied Agent Harness Optimization via Experience Traces
EMHO הוא פרקטיקה של אופטימיזציה של חברת האג'נט המורכבת, שמאפשרת לה תיעוד חוויות ולשפר את עצמה. EMHO נבחנה על EmbodiedBench והראתה השפעה חיובית על יכולת האג'נט להשיג משימות.
תקציר מקורי באנגליתarXiv:2610.08432v1 Announce Type: new Abstract: Improving embodied agents often focuses on optimizing the underlying model through training, while the surrounding agent harness that controls planning, context, and tool use is typically engineered. We ask whether this harness can instead improve itself directly from experience traces under sparse environmental feedback. We propose EMbodied Agent Harness Optimization (EMHO), a self-evolving framework that keeps the embodied model frozen and iteratively revises its harness by analyzing execution trajectories and prior harness history. EMHO optimizes beyond skills or recovery prompts, modifying how the agent monitors progress, uses vision tools, grounds observations, and responds to failures. To support multiple subtasks with a single harness,
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית