Newest papers

WeAct: Dynamic Weight Switching as Agent Actions

Rui Shi, Xunjian Yin, Jiacheng Sang, Zichuan Liu, Shuyan Zhou · 2026 · arXiv

DOI: 10.48550/arXiv.2610.26847 · open-access PDF

Russian

Агенты с длинными горизонтами должны изучать разнородные возможности из взаимосвязанных траекторий. Обновление общих параметров для изучения новых возможностей может деградировать ранее приобретенные возможности, что приводит к катастрофическому забвению. По мере развития траектории различные этапы могут потребовать различных возможностей, однако обычное совместное обучение и слияние статических адаптеров поддерживают фиксированную конфигурацию параметров на протяжении всего выполнения. Мы вводим WeAct (Внутренние действия на уровне веса), который тренирует независимые адаптеры LoRA, специфические для возможностей, над замороженным позвоночником и добавляет выбор адаптера к действию агента

Machine translation (Meta M2M100); the English original follows.

Abstract

Long-horizon agents must learn heterogeneous capabilities from interleaved trajectories. Updating shared parameters to learn new capabilities can degrade previously acquired ones, resulting in catastrophic forgetting. As a trajectory unfolds, different stages may require different capabilities, yet conventional joint training and static adapter merging maintain a fixed parameter configuration throughout execution. We introduce WeAct (Weight-level Internal Actions), which trains independent capability-specific LoRA adapters over a frozen backbone and adds adapter selection to the agent's action

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange