과목 없이 공부하는 것: 작업에 독립적인 환경 전처리

대규모 언어 모델(LLM) agent가 새로운 환경에서 작업을 수행하기 전에, 사용 가능한 자료집과 도구를 검사하고 재사용 가능한 리소스인 인덱스, 스크립트, 절차적 지침을 생성할 수 있다. 대부분의 자동 적응 방법은 however, however task 예시, 트래제키트, 또는 평가 feedback를 사용하여 어떤 것을 만들지 결정한다. 그러나 existing task-agnostic 방법은 이러한 감독을 피하지만 특정 환경 유형에 대한 준비 전략에 대한 약속을 한다. 우리는 더 개방된 설정을 연구한다: agent가 시험 시간 이전에, 다운스트림 작업 분포에 대한 지식이 없이, 불명확한 환경을 연구할 수 있는가? 그리고 준비 방법을 선택할 수 있는가? 우리는 formalize task-agnostic 환경 전처리, 즉, 학습 시스템이 비용 내에서 환경을 탐색하고, 고정된 솔버에 대한 재사용 가능한 항목을 생성한다. 우리는 6개의 다종류 벤치마크에서 fixed synthetic-practice 및 corpus-processing 방법과 unaided, archive-equipped meta-agents를 비교한다. meta-agent 변형은 5개의 벤치마크에서 Avg@3 보상을 가장 높게 얻었지만, 가장 큰 자료집 벤치마크에서는 fixed corpus processing가 여전히 최선이다. 다운스트림 보상에 대한 더 큰 연구 비용이 안정적으로 개선하지는 않는다. 그러나 연구된 항목은 특정 점수를 달성하기 위해 반복적인 시험 시간 시도를 shift computation으로부터 이전할 수 있는 재사용 가능한 준비를 보여준다.