论文页面 - Harness-Model 协同的长时程持续学习

来源：https://huggingface.co/papers/2610.34724 发布于 10 月 26 日

·

由 https://huggingface.co/bizhen 提交

bizhen (https://huggingface.co/bizhen) 于 10 月 28 日发布

摘要

HaMo 结合了程序性经验卡的快速检索与模型的渐进式适配，旨在提升长时程 Web 智能体的记忆保持能力与跨任务执行能力。

长时程智能体在运行过程中会不断遇到可复用的程序性知识，但现有系统通常要么依赖模型适配，要么依赖外部记忆，难以兼顾持续学习与快速复用。这一局限对于需要反复执行相关多步工作流的 Web 智能体尤为重要。我们提出了 HaMo——一个 Harness-Model 协同框架，将快速的非参数化经验累积与慢速的参数化适配相结合。HaMo 将轨迹提炼为策略层面的经验卡以支持即时检索，同时通过基于经验的持续学习目标训练模型，使其能够在不断变化的上下文中解读、落地并执行检索到的策略。此外，一种基于检索覆盖率的选择机制能够进一步筛选出精简且互补的轨迹用于参数更新。实验表明，在领域内和跨领域迁移场景下，HaMo 均优于仅依赖 harness 或仅依赖模型适配的方案，在记忆保持与快速适配两方面均有提升。这些结果凸显了同时保留程序性经验并将跨任务迁移与执行的能力内化到模型中的重要性。

查看 arXiv 页面 (https://arxiv.org/abs/2610.34724)　查看 PDF (https://arxiv.org/pdf/2610.34724)　添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2610.34724)

引用该论文的模型 0

暂无模型关联此论文

在模型的 README.md 中引用 arxiv.org/abs/2610.34724 即可在此页面建立关联。

引用该论文的数据集 0

暂无数据集关联此论文

在数据集的 README.md 中引用 arxiv.org/abs/2610.34724 即可在此页面建立关联。

引用该论文的 Spaces 0

暂无 Space 关联此论文

在 Space 的 README.md 中引用 arxiv.org/abs/2610.34724 即可在此页面建立关联。

包含该论文的合集 0

暂无合集包含此论文

将该论文添加到合集即可在此页面建立关联。