Հիբրիդ տրամաբանական ագենտները միացնում են ծածկյալ տրամաբանությունն ու տեքստային փոխազդեցությունները

Կառուցվածք՝ HybridLink և աշխատանքային հիշողություն

"Hybrid Reasoning Agents" վերնագրով նոր գիտական աշխատանքը ներկայացնում է մոտեցում, որը հնարավորություն է տալիս LLM ագենտներին միասնական գեներացիայի գործընթացի ընթացքում դինամիկ կերպով շարժվել ծածկյալ տրամաբանության և տեքստային փոխազդեցության միջև: Աշխատանքը, որը ներկայացվել է arXiv-ում 2026 թվականի հոկտեմբերի 13-ին, հեղինակներն են Jiaru Zou, Yunzhe Qi, Sirui Chen, Federico Bianchi, Shang Zhu, Pan Lu, Jingrui He և James Zou:

Համակարգը լուծում է ժամանակակից LLM ագենտների հիմնական խնդիրը. այդ ագենտները դեռ տրամաբանում են և փոխազդում են տեքստի միջոցով, մինչ ծածկյալ տրամաբանությունն առաջարկում է արդյունավետ ներքին միջոց, սակայն չունի ներկառուցված գործիքների հասանելիություն և տրամաբանության թափանցիկություն: Առաջարկվող Hybrid Reasoning Agents (HybridAgents) միացնում է այդ երկու ուղղությունները: Կառուցվածքային առումով, HybridLink անվանված թեթև բաղադրիչը ապահովում է անխոչընդոտ անցումներ տեքստի և ծածկյալ ռեժիմների միջև, իսկ ագենտի շարունակական աշխատանքային հիշողությունը պահպանում է հիբրիդ համատեքստը առանց կորստի՝ բազմաթիվ հերթերի ընթացքում: Այս լուծումները պահպանում են գործիքներով ինտեգրված ագենտային հնարավորությունները, միաժամանակ ծածկյալ մտքերը դարձնելով ուղղակի ստուգելի:

Ուսուցմանը հաջորդող փուլ՝ HybridSFT և HybridRL

Հետազոտողները մշակել են հատուկ ուսուցմանը հաջորդող ալգորիթմներ հիբրիդ տրամաբանության համար: HybridSFT կայունացնում է գործիքներով ինտեգրված հիբրիդ գեներացիան՝ սովորեցնելով հիմնական մոդելին համագործակցել HybridLink բաղադրիչի հետ: Այնուհետև HybridRL ընդլայնում է տրամաբանությունը՝ սովորելով, երբ մտածել ծածկյալ տարածությունում, իսկ երբ գործել տեքստի միջոցով:

Գնահատում և արդյունքներ

HybridAgent գնահատվել է 3 մոդելային սանդղակով 11 չափորոշիչում, որոնք ընդգրկում են մաթեմատիկա, գիտություն, բժշկություն, որոնում և ագենտային տրամաբանություն: Համեմատությունը առաջատար LLM ագենտների և տեքստային ու ծածկյալ մեթոդները ընդգրկող ագենտային համակարգերի հետ ցույց է տվել, որ համակարգը հետևողականորեն բարելավել է արդյունավետությունը 10.4%-ով: Այն նաև ապահովել է տոկենների կրճատում 35.5%-ից 54.7%, եզրակացման արագացում 1.8-2.6 անգամ և ծախսերի խնայողություն 2.7-3.7 անգամ:

Հետազոտական աշխատանքը կազմում է 45 էջ և ընդգրկում է 12 պատկեր: Կոդը և տվյալները հասանելի են առցանց: Աշխատանքը դասակարգվել է հաշվարկներ և լեզու (cs.CL), արհեստական բանականություն (cs.AI) և մեքենայական ուսուցում (cs.LG) կատեգորիաներում:

Աղբյուրներ: arxiv.org