用于增强智能体任务性能的补充生成训练
机器学习
2026-04-23 v1 人工智能
摘要
由于计算成本高、迭代周期长以及随着新模型不断发布而迅速过时，为智能体任务训练大型基础模型变得越来越不切实际。我们提出了一种更高效、更可持续的策略——补充生成训练 (SGT)，而不是为每个新任务或领域后训练庞大的模型。SGT 训练一个较小的 LLM 来生成有用的补充文本，当这些文本附加到原始输入时，能帮助较大的 LLM 更有效地解决任务。这些轻量级模型可以根据任务需求动态调整补充内容，从而在不修改底层大模型的情况下提高性能。这种方法将特定任务的优化与大型基础模型解耦，使得由 LLM 驱动的智能体在现实世界应用中能够更灵活、更具成本效益地部署。
引用
@article{arxiv.2604.20727,
title = {Supplement Generation Training for Enhancing Agentic Task Performance},
author = {Young Min Cho and Daniele Bonadiman and Divya Bhargavi and Tamer Alkhouli and Salvatore Romeo and Dongwei Jiang and Khushbu Pahwa and Yubin Ge and Etsuko Ishii and Monica Sunkara and Yi Zhang},
journal= {arXiv preprint arXiv:2604.20727},
year = {2026}
}
备注
Accepted to the Findings of ACL 2026