EnvOpt هزینهٔ اجرای عامل‌های هوش مصنوعی را با بهینه‌سازی محیط کاهش می‌دهد

پیش‌چاپی در arXiv روشی به نام EnvOpt معرفی می‌کند که به‌جای دست‌کاری پارامترهای مدل یا سازوکار اجرایی عامل، محیطی را بهینه می‌کند که عامل در آن کار می‌کند. منظور از «محیط پایدار» فضاهای مشترک میان وظایف متعدد است؛ مانند Slack یک شرکت یا مجموعه‌ای از اسناد، منابع داده و تیکت‌ها. EnvOpt برای بهینه‌سازی این محیط از وظایف واقعی یا مصنوعی استفاده می‌کند و به ارزیاب یا پاسخ مرجع نیاز ندارد.

در AutomationBench، این روش هزینهٔ Claude Haiku 4.5 را ۷۲٫۷ درصد کاهش داد و نرخ موفقیت آن را ۱۴٫۳۴ درصد افزایش داد. محیط بهینه‌شده برای Opus 5 نیز قابل استفاده بود: هزینه ۶۸٫۱ درصد کمتر شد و نرخ موفقیت ۱٫۳۴ درصد افزایش یافت. وقتی EnvOpt به harness بهینه‌شدهٔ Meta-Harness برای Haiku 4.5 اضافه شد، هزینه در مقایسه با Meta-Harness به‌تنهایی ۸۳٫۴ درصد دیگر کاهش یافت و دقت ۱۱٫۱۷ درصد بیشتر شد.

پژوهشگران می‌گویند آزمایش‌ها در مجموع پنج بنچمارک را پوشش می‌دهند و EnvOpt هزینهٔ عامل‌ها را کاهش می‌دهد، درحالی‌که نرخ موفقیت را بهبود می‌بخشد یا دست‌کم حفظ می‌کند. آن‌ها همچنین راهبردهای موفق و ردشده در بهینه‌سازی خودکار محیط را بررسی کرده‌اند. نتایج، به‌گفتهٔ نویسندگان، نشان می‌دهد نحوهٔ نمایش اطلاعات به عامل بر هزینه و موفقیت آن اثر می‌گذارد و محیط را نیز می‌توان در کنار مدل و harness بهینه کرد.