EvoBelief让LLM智能体成功率飙升31.3%！
EvoBelief: Falsifiable World Models for Self-Improving LLM Agents
📖 AI 总结
该研究提出EvoBelief，一种可证伪的世界模型，旨在让LLM智能体在部署过程中通过演化环境信念实现自我改进，而非更新模型参数。其核心机制是将环境知识表示为可验证的假设：当出现意外结果或决策相关未知时触发假设生成，后续观察与受控实验提供独立验证，反例则收窄或淘汰失效规则，语言模型本身保持冻结。在涵盖静态动态、隐藏漂移与科学发现的四个基准上，EvoBelief提升了任务表现并实现跨任务规则复用。在ALFWorld上，其成功率较匹配的冻结世界模型分别提升23.9%和31.3%；在MiniGrid上能修正过时规则并从突发动态变化中恢复；在DiscoveryWorld反应堆实验室中，完成83.3%普通层级与58.3%挑战层级任务，而所有基线均为0%。这表明通过可测试、可修正的环境知识实现自我改进是一条可行路径。
🔑 关键词速览
| EvoBelief | 一种自演化的世界模型，将环境知识表示为可证伪的假设，通过验证和修正规则来提升LLM智能体的任务表现。 |
| 可证伪假设 | 指能够被观察或实验检验并可能被推翻的假设，用于表示环境知识，确保其可修正性。 |
| 世界模型 | 智能体内部对环境动态的表示，用于预测和规划，EvoBelief通过演化此类模型来适应环境变化。 |
| 自演化智能体 | 能够在部署过程中通过经验、反思或知识更新来改进自身行为的LLM智能体。 |
| 冻结语言模型 | 在EvoBelief中，语言模型的参数保持不变，自我改进仅通过环境知识的演化实现，而非模型微调。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅