arXiv cs.AI· Jaden Park, Jungtaek Kim, Jongwon Jeong, Robert D. Nowak, Kangwook Lee, Yong Jae Lee·· 13 小时前AI 评分40
研究：语言模型智能体的探索与利用错误可被量化测量
Exploration and Exploitation Errors Are Measurable for Language Model Agents
AI 导读
研究者设计部分可观测 2D 网格地图与未知符号任务 DAG，提出一种不依赖智能体内部策略的指标，检测无产出遍历并区分探索与利用错误。在可控难度地图上评测 35 个前沿 LM 智能体，发现即使 SOTA 模型也难以在步数预算内达成目标；探索与利用错误的 log 值与任务成功率强相关（R² 分别为 0.885 和 0.875）。
正文 · AI 翻译
摘要：语言模型（LM）智能体越来越多地用于复杂决策任务，从 AI 编程到物理 AI，它们必须既探索搜索空间，又有效利用已获得的知识。尽管探索和利用在决策中扮演不同角色，但在无法访问智能体内部策略的情况下，系统地区分探索和利用，并判断何时任一者构成错误，仍然具有挑战性。为解决这一问题，我们设计了部分可观测的 2D 网格地图，并配以未知的符号化任务有向无环图（DAG），抽象出实际的智能体 AI 场景。随后，我们提出一种与策略无关的度量，用于检测无成效的遍历，同时允许必要的回溯。我们根据当前状态是否允许有成效的探索、利用或两者兼有，将每个错误归因于探索或利用。利用可控制难度的生成地图和任务 DAG，我们评估了 35 个前沿 LM 智能体，发现即使最先进的模型也难以在步数预算内达到目标。$\log$ 探索和利用错误与任务成功表现出强相关性（分别为 $R^2 = 0.885$ 和 $0.875$），提供了该度量捕捉与任务成功相关行为的经验证据。除成功率外，该度量还揭示了成功率相近的模型之间在探索和利用行为上的明显差异。我们进一步发现，紧凑的记忆框架比保留自身推理轨迹的推理基线取得了更高的任务成功率。最后，我们将该度量扩展到合成环境之外的标志性视频游戏 Minecraft Clone。我们在 此 https URL 发布代码。
| 学科： | 人工智能（cs.AI） |
| 引用为： | arXiv:2604.13151 [cs.AI] |
| （或本版本的 arXiv:2604.13151v2 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2604.13151 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jaden Park [查看电子邮件]
[v1]
2026年4月14日星期二 17:59:57 UTC（1,268 KB）
[v2]
2026年10月29日星期四 11:23:30 UTC（3,538 KB）
来源：arXiv cs.AI · arxiv.org