1 мин чтения
Коротко
Архитектура RSMeM показывает, как превращать ошибки LLM-агентов в дистанционном зондировании Земли в переиспользуемые ограничения. Разбираем, почему 6% буст на DeepSeek-V3.2 при 1% токенов — это важный сдвиг в подходе к памяти агентов.
Обычные LLM-агенты плохо справляются с задачами дистанционного зондирования Земли (RS). Проблема в том, что general-purpose модели не знают отраслевой специфики геонаук: их рабочие процессы получаются хрупкими, а ошибки не превращаются в опыт для следующих задач.
Исследователи предложили RSMeM — механизм эволюции памяти для RS-агентов. Идея состоит из двух частей. Hierarchical Knowledge Grounding извлекает знания из иерархического отраслевого корпуса, чтобы направлять планирование и выбор инструментов. Failure-Aware Experience Refinement перерабатывает следы неудачных вызовов инструментов в ограничения для следующих попыток. Агент итеративно применяет оба процесса, превращая знания уровня задачи в опыт исполнения на уровне конкретного экземпляра.
Главный интерес здесь — не сами компоненты, а эффективность сжатия опыта. На бенчмарке EarthBench RSMeM дал прирост точности в 6% на DeepSeek-V3.2, потребовав менее 1% дополнительных experience tokens. Это значит, что distilled-опыт обладает высокой плотностью знаний: агент не раздувает контекст сырыми логами, а использует сжатые ограничения.
Для разработчиков агентов это конкретный сигнал. Если ваш агент работает со сложным доменом и стеком инструментов, сырая RAG-память и бесконечные цепочки few-shot примеров — тупик. Переработка неудач в компактные ограничения и таксономически осознанный поиск знаний дают куда лучший коэффициент полезного действия на каждый потраченный токен контекста.
Источник: cs.AI updates on arXiv.org