#reinforcement learning (grpo) のAIニュース

長期ホライズンエージェント向けの能動的メモリ（16 分読）

TLDR AI は、重要な状態を追跡し、関連情報が失われるリスクがある際に行動エージェントに選択的にリマインドする別個のメモリエージェントを提案しました。この手法は、基盤となる行動モデルを変更せずに Terminal-Bench 2.0 やτ2-Bench の合格率を向上させます。