LLM ajanları geçmiş hatalarını nasıl temizliyor?
Orijinal başlık: Agent-Editing World Model: Rethinking World Modeling for LLM Agents
KISACA
- Tek cümlede
- AEWM, kararları Kritik, Keşif ve Gürültü olarak ayırıyor.
- Bulgu
- Model, karar ayırma testinde %70.5 makro‑F1 elde etti, 10.6 puan önde.
- Neden önemli?
- Gürültülü adımları düzenlemek, altı kıyaslamada ortalama skoru 3,2-6,7 puan artırdı.
Ne oldu?
Agent-Editing World Model (AEWM), LLM ajanlarının geçmişindeki desteksiz varsayımların ve eski planların sonraki kararları bozmasına çözüm arıyor. Sistem, ajanın kararlarını Kritik, Keşif ve Gürültü olarak ayırıyor ve gürültülü adımları düzenleyerek görev durumunu düzeltiyor. AEWM, karar ayırma testinde %70,5 makro-F1 ile en güçlü öncü model taban çizgisini 10,6 puan geçti. Altı kıyaslama ve üç ajan omurgasında ortalama skorları 3,2-6,7 puan artırdı.
NOTUM
Ajanların geçmişindeki gürültüyü düzeltmek, performansı artırıyor.
BU NOTUN VİDEOSU
Aynı haberin kısa dikey video özeti.
Bu notu kaynak göstererek alıntılayabilirsin: Hasan Amanet, “LLM ajanları geçmiş hatalarını nasıl temizliyor?”, Notes for Data Science, 24 Eylül 2026.