Apple Machine Learning Research

SCLATE: A Substrate for Continual-Learning Agent Training and Evaluation

6.7内容质量

TL;DR · AI 摘要

SCLATE: A Substrate for Continual-Learning Agent Training and Evaluation - Apple Machine Learning Research research area...

核心要点

  • 主题聚焦：SCLATE: A Substrate for Continual-Learning Agent
  • 来源：Apple Machine Learning Research，建议结合原文判断细节。
  • AI 分析暂不可用，本条为保底评分与摘要。
#AI#编程#安全#产品
打开原文

SCLATE：持续学习代理训练和评估的基板 - 苹果机器学习研究

研究领域

方法和算法

,

工具、平台、框架

内容类型

论文

发布时间

2026年9月

SCLATE：持续学习代理训练和评估的基板

作者 Youngmok Jung, Sirajul Salekin, Henry Tran, Javier Movellan, Zhao Huang, Manjot Bilkhu

查看出版物

复制Bibtex

持续学习代理是由模型、工具和记忆组成的系统，其运行周期覆盖长期多会话场景。评估和训练这类系统需要将任务与代理端事件（如会话停止/启动、定时任务和记忆巩固）进行交错处理。然而现有基准和训练框架仅能调度基准自身的事件，导致每个基准与代理组合都需要构建自定义的调度循环。我们提出SCLATE执行基板，通过适配器使基准和未修改的代理都能将各自事件添加到统一的开放事件调度器中。混合模拟时钟在共享时间线上运行这些事件，实时推进的同时跳过空闲时段，将月级场景压缩到数小时内。SCLATE还作为运行引擎，可直接运行任意代理的工具和记忆模块，通过容器内代理记录每个模型调用的token和对数概率。我们将七个基准移植到SCLATE上，对十种未修改的工具和记忆配置在十种模型上进行正面交锋式对比。结果显示：附加记忆系统未必能超越原生记忆模块，且不同模型使用相同工具和记忆的方式存在显著差异。随后我们通过未修改的工具和记忆系统对Qwen3.5-4B进行后训练，模型学会同时使用二者，在少读取6.8倍文件行数的同时，SWE-bench Verified通过率提升16.7点，记忆记录更丰富，保留数据集上的MetaClaw准确率最高提升11.8点。

相关阅读与更新

用于智能体LLM系统的共享选择性持久记忆

2026年9月16日 研究领域 语音与自然语言处理 , 研究领域 工具、平台、框架 会议 EMNLP

通过多轮工具调用生成代码的智能体LLM系统面临根本性上下文问题：每次会话都从零开始，丢弃了使先前会话富有成效的配置选择、领域约束、数据模式和工具使用模式。简单地持久化完整对话历史既浪费token又适得其反——无关上下文会降低生成质量。我们引入共享选择性...

阅读更多

AgentBuilder：探索界面代理用户体验原型的框架

2026年1月9日 研究领域 人机交互

由生成式AI模型驱动的界面代理（称为"代理"）可根据用户指令自动执行操作。开发代理的重要方面是用户体验（即代理体验）。随着越来越多非AI工程师需要参与代理体验设计，迫切需要为更广泛群体提供原型设计框架，因为他们能为代理体验设计提供宝贵视角。在本研究中，我们探索了...

发现机器学习领域的机遇

我们的机器学习研究每天都在取得突破性进展。

与我们合作 /think