Les agents LLM modernes raisonnent et interagissent par le texte, tandis que le raisonnement latent offre un medium interne efficace mais manque d'accès natif aux outils et de transparence de raisonnement. Les Agents de Raisonnement Hybrides (Agents Hybrides) relient ces deux directions avec un processus de génération unique. Architecturalement, un lien hybride léger permet des transitions fluides entre les modes texte et latent, tandis que la mémoire de travail continue de l'agent préserve le contexte hybride sans perte sur plusieurs tours.
Ces conceptions préservent les capacités agentes intégrées aux outils tout en rendant les pensées latentes directement inspectables. Sur cette architecture, des algorithmes de post-entraînement dédiés pour le raisonnement hybride ont été développés : le SFT Hybride stabilise la génération hybride intégrée aux outils en enseignant au backbone à coordonner avec le Lien Hybride, puis le RL Hybride échelle le raisonnement en apprenant quand penser dans l'espace latent et quand agir par le texte. L'Agent Hybride a été évalué à 3 échelles de modèle sur 11 benchmarks couvrant les mathématiques, la science, la médecine, la recherche, et le raisonnement agent.
Comparé aux agents LLM de pointière et aux frameworks agents, l'Agent Hybride améliore constamment la performance de 10.4%, tout en offrant une réduction de tokens de 35.5%-54.7%, une inférence 1.8x-2.6x plus rapide, et des économies de coût de 2.7x-3.7x. Le code et les données sont disponibles à cette URL: https://example.com. La recherche aborde le défi d'agents qui pensent au-delà du langage humain mais agissent encore par lui dans l'environnement extérieur, offrant une solution pratique qui combine l'efficacité du raisonnement latent avec l'accessibilité de l'interaction basée sur le texte.
L'approche unifiée représente une avancée significative dans la rendre les pensées latentes directement inspectables tout en maintenant les capacités agentes intégrées aux outils.
Source: Hacker News · Résumé par HeadlinesBriefing