Rui Shi, Xunjian Yin, Jiacheng Sang, Zichuan Liu, Shuyan Zhou · 2026 · arXiv
DOI: 10.48550/arXiv.2610.26847 · open-access PDF
Các đại lý chân trời dài phải học các khả năng không đồng nhất từ các quỹ đạo liên kết. Cập nhật các thông số chia sẻ để học các khả năng mới có thể làm suy giảm những khả năng đã có trước đó, dẫn đến sự quên lãng thảm khốc. Khi một quỹ đạo phát triển, các giai đoạn khác nhau có thể yêu cầu khả năng khác nhau, tuy nhiên đào tạo chung thông thường và hợp nhất adapter tĩnh duy trì cấu hình tham số cố định trong suốt quá trình thực hiện. Chúng tôi giới thiệu WeAct (Hành động nội bộ cấp trọng lượng), đào tạo các bộ điều hợp LoRA độc lập cụ thể về khả năng trên xương sống đông lạnh và thêm lựa chọn bộ điều hợp cho hành động của đại lý.
Machine translation (Meta M2M100); the English original follows.
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
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.26847, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange