Agentes LLM modernos raciocinam e interagem através do texto, enquanto o raciocínio latente oferece um meio interno eficiente mas falta acesso nativo a ferramentas e transparência de raciocínio. Agentes de Raciocínio Híbridos (Agentes Híbridos) unificam essas duas direções com um processo de geração único. Arquitetonicamente, uma ligação híbrida leve permite transições suaves entre os modos texto e latente, enquanto a memória de trabalho contínua do agente preserva o contexto híbrido sem perda em múltiplas rodadas.
Esses designs preservam as capacidades agentes integradas com ferramentas enquanto tornam os pensamentos latentes diretamente inspecionáveis. Sobre essa arquitetura, algoritmos de pós-treino dedicados para raciocínio híbrido foram desenvolvidos: o SFT Híbrido estabiliza a geração híbrida integrada com ferramentas ensinando o backbone a coordenar com a Ligação Híbrida, e então o RL Híbrido escala o raciocínio aprendendo quando pensar no espaço latente e quando agir através do texto. O Agente Híbrido foi avaliado em 3 escalas de modelo em 11 benchmarks cobrindo matemática, ciência, medicina, busca e raciocínio agente.
Comparado com agentes LLM de ponta e frameworks agentes, o Agente Híbrido melhora consistentemente o desempenho em 10.4%, enquanto entrega redução de tokens de 35.5%-54.7%, inferência 1.8x-2.6x mais rápida e economias de custo de 2.7x-3.7x. O código e os dados estão disponíveis em esta URL: https://example.com. A pesquisa aborda o desafio de construir agentes que pensam além da linguagem humana mas ainda assim agem por ela no ambiente externo, oferecendo uma prática solução que combina a eficiência do raciocínio latente com a acessibilidade da interação baseada em texto.
A abordagem unificada representa um avanço significativo em tornar os pensamentos latentes diretamente inspecionáveis enquanto mantém as capacidades agentes integradas com ferramentas.
Fonte: Hacker News · Resumido por HeadlinesBriefing