量子位
·
斯坦福新论文：微调已死，自主上下文当立
💡
原文中文，约2400字，阅读约需6分钟。
📝
内容提要
斯坦福大学的研究指出，微调已不再有效，提出了智能体上下文工程ACE。ACE通过自主上下文进化，无需调整模型权重，显著提升智能体和财务分析的性能，超越传统方法，降低适应成本和延迟。
🎯
关键要点
- 斯坦福大学的研究表明微调已不再有效，提出了智能体上下文工程ACE。
- ACE通过自主上下文进化，无需调整模型权重，显著提升智能体和财务分析的性能。
- ACE解决了传统上下文适配中的简洁偏置和上下文崩溃问题。
- ACE框架包括生成器、反思器和整理器三个角色，分别负责生成推理轨迹、提炼见解和整合上下文更新。
- 在智能体和财务分析的基准测试中，ACE稳定优于多种传统方法。
- ACE在智能体测试中表现出显著优势，领先于ReAct+ICL和ReAct+GEPA。
- 在财务分析中，ACE在离线环境下以平均10.9%的优势超越了ICL、MIPROv2和GEPA。
- ACE在降低自适应成本和延迟方面展现出显著优势，尤其是在AppWorld和FiNER的场景中。
- 研究的两位一作均为华人，分别是斯坦福大学的Qizheng Zhang和Changran Hu。
❓
延伸问答
什么是智能体上下文工程ACE？
智能体上下文工程ACE是一种新方法，通过自主上下文进化来提升智能体性能，无需调整模型权重。
ACE如何解决传统上下文适配中的问题？
ACE通过将上下文视为不断演化的操作手册，解决了简洁偏置和上下文崩溃的问题。
ACE的框架包括哪些角色？
ACE框架包括生成器、反思器和整理器，分别负责生成推理轨迹、提炼见解和整合上下文更新。
ACE在智能体测试中的表现如何？
在智能体测试中，ACE相比传统方法如ReAct+ICL和ReAct+GEPA分别领先12.3%和11.9%。
ACE在财务分析中的优势是什么？
在财务分析中，ACE在离线环境下以平均10.9%的优势超越了ICL、MIPROv2和GEPA。
ACE如何降低自适应成本和延迟？
ACE在AppWorld的离线自适应任务中，将自适应延迟降低了82.3%，尝试次数减少了75.1%。
➡️
