Иерархические экспериментальные агенты

arXiv:2606.29315v2 Annualection Type: заменить резюме: крупные языковые модели (LMM) все чаще используются для работы в реальном мире и повышения эффективности принятия решений людьми, однако большинство систем полагаются на параметрические знания, полученные с помощью имитации, которые факультативно совершенствуются путем после обучения, поиска или поиска фиксированных данных. Эта парадигма борется в новых областях или по сложным вопросам, которые требуют информации только из предыдущих знаний; знание законов физики, например, само по себе не дает надежных рассуждений и долгосрочных действий в сложной физической системе. Мы утверждаем, что агентам нужны активные эксперименты: способность собирать целенаправленные доказательства по конкретным запросам, обнаруживать общие принципы невидимой среды и превращать опыт взаимодействия в навыки многократного использования. Мы представляем Иерархически экспериментальные агенты (HExA) — систему самосовершенствования, ориентированную на эксперимент, которая 1) итеративно проектирует и совершенствует эксперименты, имеющие отношение к запросам; 2) усложняет