효율적인 장기적 상호작용을 위한 LLM의 신념 업데이트 교육
전통적인 재귀적 요약과 비교한 ABBEL의 개요. 에이전트의 작업 컨텍스트로 전체 상호작용 기록 대신 신념이 사용되며, 신념 등급화는 각 신념 상태의 내용을 감독함으로써 성능을 향상시킵니다. 과제의 시간적 범위가 확장됨에 따라 LLM의 컨텍스트는 무한히 확장될 수 없습니다. 자체 요약은 간결하고 해석 가능한 컨텍스트를 제공하지만, 특히 고품질 데이터가 부족한 협업형 코드 생성과 같은 인간 지원 분야에서는 상당한 성능 저하를 초래합니다. 우리는 이를 해결하기 위해 ABBEL을 제안합니다: 자연어로 표현된 신념 상태의 형태로 요약의 정보 내용을 분리하고 감독하는 프레임워크입니다. 동기: 재귀적 요약의 한계 언어 모델이 소프트웨어 개발과 같이 점점 더 복잡해지는 과제를 효과적으로 지원하려면