arXiv cs.AI· Zhen Bi, Zhizhi Peng, Yan Wang, Xueshu Chen, Haofei Zhang, Yaobo Zhang, Zeyu Yang, Qing Shen, Jungang Lou·· 14 小时前AI 评分38
HaMo：面向长时程持续学习的 Harness-Model 协同框架
Harness-Model Collaboration for Long-Horizon Continual Learning
AI 导读
研究者提出 HaMo，一个结合快速非参数经验积累与慢速参数适应的 Harness-Model 协同框架，将轨迹蒸馏为策略级经验卡片供即时检索，并用经验条件持续学习目标训练模型理解与执行检索到的策略。实验显示 HaMo 在域内与跨域迁移下均优于仅 harness 和仅模型适应方案，同时提升保持与适应能力。
正文 · AI 翻译
摘要：长时程智能体不断遇到可复用的程序性知识，然而现有系统通常依赖模型自适应或外部记忆，以持久学习换取快速复用。这一局限对需要反复执行相关多步工作流的 Web 智能体尤为重要。我们提出 HaMo，一种 Harness-Model 协同框架，将快速的非参数化经验积累与缓慢的参数化自适应相结合。HaMo 将轨迹提炼为策略级经验卡片以供即时检索，同时以经验为条件的持续学习目标训练模型在变化的情境中解读、落地并执行检索到的策略。基于检索覆盖度的选择机制进一步识别出紧凑且互补的轨迹用于参数更新。实验表明，HaMo 在域内与跨域偏移下均优于仅 harness 和仅模型自适应，同时提升了保持与适应能力。这些结果凸显了同时保留程序性经验与内化跨任务迁移和执行能力的重要性。
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2610.34724 [cs.AI] |
| （或本版本的 arXiv:2610.34724v1 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2610.34724 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Zhen Bi [查看邮箱]
[v1]
2026年10月26日星期一 02:21:20 UTC（1,880 KB）
来源：arXiv cs.AI · arxiv.org