EpiCon: 通过协同进化多模态记忆的集体智能体学习

Hugging Face Daily Papers 论文

摘要

EpiCon 提出一个共享的多模态记忆框架,用于AI智能体之间的集体学习,在不更新宿主模型参数的情况下,提升了十一个基准测试的性能。

智能体可以从过去的执行中学习,但使不同智能体能够重用并基于彼此的经验进行学习仍然具有挑战性。我们引入 EpiCon,一个用于智能体集体学习的共享多模态记忆框架,无需更新宿主模型参数。EpiCon 通过两个独立训练的2B模型:一个记忆控制器和一个树自组织器,将问题级别的记忆进化与持久的经验库链接起来。控制器在多次尝试中联合细化文本指导和视觉证据,并选择性地包含视觉记忆。自组织器层级式地整合教训,并为新问题检索经验和规则。我们在十一个涵盖四个多模态任务领域的基准测试上评估 EpiCon,使用两个框架和多个骨干模型。一个冻结的库即使在单次求解尝试中也能改进其他系统。第二个框架在十一个基准测试上将原始系统的宏平均分数提高了2.6分。在四种宿主配置中,EpiCon 将宏平均分数提高了1.7到4.9分,相对于无记忆情况,并且相对于骨干大小的记忆模型,将记忆操作时间减少了67%到74%。
查看原文
查看缓存全文

缓存时间: 2026/09/30 08:23

论文页面 - EpiCon:通过协同进化的多模态记忆实现集体智能体学习

来源:https://huggingface.co/papers/2609.37923

摘要

智能体可以从过去的执行中学习,但让不同的智能体复用彼此的经验并在此基础上构建新知识仍然具有挑战性。我们提出 EpiCon,这是一个共享的多模态记忆框架,支持智能体的集体学习,无需更新宿主模型的参数。EpiCon 通过两个独立训练的 2B 参数模型——记忆控制器和树状自组织器——将问题级别的记忆演化与持久化经验库相连接。记忆控制器在多次尝试中联合优化文本指导和视觉证据,并选择性纳入视觉记忆;树状自组织器则以层次结构整合经验教训,为新问题检索经验与规则。我们在涵盖四个多模态任务领域的十一个基准测试上评估了 EpiCon,实验采用两种运行框架和多种骨干模型。冻结的经验库即使仅通过单次求解尝试也能提升其他系统的表现。第二种运行框架在十一个基准测试上将原始系统的宏平均分数提高了 2.6 分。在四种宿主配置下,EpiCon 相比无记忆版本将宏平均分数提高了 1.7 至 4.9 分,并将记忆操作时间相对于与主干模型规模相当的记忆模型减少了 67% 至 74%。

查看 arXiv 页面 (https://arxiv.org/abs/2609.37923) | 查看 PDF (https://arxiv.org/pdf/2609.37923) | 项目主页 (https://zzzmyyzeng.github.io/EpiCon/) | 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2609.37923)

在您的智能体中获取此论文:
hf papers read 2609.37923

尚未安装最新版 CLI?运行:curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 1

zengziyun/EpiCon 约 4 小时前更新 (https://huggingface.co/zengziyun/EpiCon)

引用本文的数据集 0

暂无数据集关联本文

在数据集 README.md 中引用 arxiv.org/abs/2609.37923 可将本文链接至此页面。

引用本文的 Spaces 0

暂无 Space 关联本文

在 Space README.md 中引用 arxiv.org/abs/2609.37923 可将本文链接至此页面。

包含本文的收藏夹 0

暂无收藏夹包含本文

将本文添加到收藏夹 (https://huggingface.co/new-collection) 以将本文链接至此页面。

相似文章

EvoArena:追踪记忆演化以实现动态环境中鲁棒的LLM智能体

Hugging Face Daily Papers

EvoArena引入了一个基准测试,用于评估LLM智能体在动态环境中的表现,该环境在终端、软件和社交领域具有渐进式更新;同时EvoMem提出了一种基于补丁的记忆范式,记录结构化的演化;实验表明,当前智能体在EvoArena上仅达到39.6%的准确率,而EvoMem在该基准测试上平均提升1.5%,并在GAIA和LoCoMo上也有所改进。

面向多智能体 VLM 系统的协作记忆

arXiv cs.AI

本文提出了一种面向多智能体视觉语言模型系统的协作记忆框架,以解决分布式感知问题,并提升共享视觉上下文和推理一致性。

MemPilot:面向 LLM 智能体的按需多模态记忆编排

Hugging Face Daily Papers

MemPilot 是一个框架,利用强化学习为 LLM 智能体按需动态整理多模态记忆,通过自适应检索与异构模型选择在性能、成本和延迟之间取得平衡。在五个基准上的实验表明,相较于现有的权衡感知基线,它实现了更优的性能-成本-延迟折衷。