★ 3
研究提出 TaReD 工具感知递归分解处理长时程任务
论文提出 Tool-Aware Recursive Decomposition（TaReD），将工具按功能关系组织为能力层级，智能体按需发现工具并递归分解复杂任务为与各阶段能力对齐的子任务树。在复杂真实任务上端到端成功率比基线提升最多 40 个百分点，代码已在 GitHub 开源。
arXiv cs.AI24 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出 Tool-Aware Recursive Decomposition（TaReD），将工具按功能关系组织为能力层级，智能体按需发现工具并递归分解复杂任务为与各阶段能力对齐的子任务树。在复杂真实任务上端到端成功率比基线提升最多 40 个百分点，代码已在 GitHub 开源。
论文主张面对模型难以胜任的任务，应把可确定性求解的部分交给宿主程序，只把模糊残差留给模型，而非扩大模型或微调。作者称这种分解带来「构造性对等」：在 494M 到 Opus 级共九个模型上，抽取出的子任务性能曲线变平，无需任务特定训练。该原则在物理设置、动作重定向、对象模型编辑等场景中重复出现。