A Meta 8 milliárdos modellje felveszi a versenyt a Claude Opus 4.5-tel, EvoHarness-RL-lel futtatják
A Meta AI és az Illinois-i Egyetem kutatói EvoHarness-RL keretrendszerrel tanították a Qwen3-8B modellt, hogy a futtatási költségek növelése nélkül érje el a Claude Opus 4.5 szintjét.
A Meta kutatói bemutatták az EvoHarness-RL keretrendszert, amely egy 8 milliárd paraméteres AI-modell futtatási rétegét (harness) tanítja meg hatékonyan kezelni a környezeti információkat. A módszer célja, hogy a kisebb, költséghatékonyabb modellek is képesek legyenek komplex feladatok elvégzésére, anélkül, hogy drágább, nagyobb modellekhez kellene folyamodniuk.
A VentureBeat cikke szerint a hagyományos AI-ügynökök gyakran merev, előre definiált utasításokat követnek, ami korlátozza autonómiájukat. Az EvoHarness-RL ezzel szemben egy absztrakciós réteget ad az ügynök futtatási rétegéhez, megtanítva a modellt arra, hogy mikor olvassa, frissítse vagy konszolidálja a környezetéből származó információkat. Ez különösen hosszú távú feladatoknál kulcsfontosságú, ahol az ügynöknek képesnek kell lennie az információk dinamikus kezelésére, a hibákból való tanulásra és a korábbi tapasztalatok újrahasznosítására.
Xuying Ning, a kutatás egyik társszerzője kiemelte, hogy a manuális logika és a merev memóriastruktúrák jelentős mérnöki erőforrásokat emésztenek fel. „Az optimális harness gyakran változik a modellel együtt” — magyarázta Ning. „Különböző modellek eltérő promptokat, memóriatervezést, engedélyeket vagy homokozókonfigurációkat igényelhetnek.
Ha mindezt manuálisan kódoljuk, minden modellfrissítés hosszú hibakeresési ciklusokat eredményezhet.” A kutatók szerint a pusztán tapasztalatokat halmozó memóriarendszerek akár ronthatják is az ügynök érvelését, mivel a memória tartalmazhat elavult következtetéseket vagy irreleváns információkat.
Az EvoHarness-RL egy egységesített „Belief, Progress, and Experience” (BPE) munkateret hoz létre. Ez a keretrendszer az ügynök külső igényeit három funkcionális területre kategorizálja: Belief (a környezet pontos követése), Progress (a befejezett és függő alfeladatok kezelése) és Experience (történelmi tudás újrahasznosítása). Az ügynök négy kompakt meta-akcióval — track, commit, recall, note — lép kapcsolatba ezzel a felülettel, lehetővé téve számára, hogy dinamikusan reagáljon a környezeti változásokra és optimalizálja a döntéshozatalát.
A kutatók kétlépcsős képzési módszert alkalmaztak. Az első szakaszban, felügyelt finomhangolással, az alapmodell megtanulja a strukturált tények kinyerését a naplókból. A második, „költségtudatos” megerősítő tanulási fázisban az ügynök hatékonyságra törekszik, megtanulva kiszámolni, mikor éri meg az erőforrás-költséget az external state elérése. Ez a kétlépcsős folyamat a „tool-use”-t merev, kódolt promptból tanult futásidejű viselkedéssé alakítja.
Az EvoHarness-RL validálásához a kutatók a Qwen3-8B modellt használták az ALFWorld teljesítményteszten. A képzett 8 milliárdos modell 96,9%-os átlagos sikességi rátát ért el, ami 49,0 százalékpontos javulás a baseline ReAct modellhez képest. A rendszer emellett felülmúlta a fejlettebb keretrendszereket, mint a SkillRL (89,9%) és a SkillOS (80,2%), és megközelítette a zárt modellek, mint a Claude Opus 4.5 teljesítményét — közölte a VentureBeat.