Scaling Trajectories for Complex Tasks through Recursive Self-Rewrite
Aggiunta all'archivio di AIChronos il (numero del 5 ottobre 2026 ricostruito)· fonte del · Zongxia Li, Yucheng Shi, Zhongzhi Li, Junyao Yang, Ruhan Wang, Chengsong Huang (Tencent Hunyuan)
Il framework Recursive Self-Rewrite (RSR) utilizza un singolo modello base Qwen-3.8-27B per scoprire soluzioni in ambienti specifici e ricostruirle come traiettorie di addestramento sotto un ambiente generale, superando i limiti degli harness specializzati durante il deployment. Attraverso una pipeline composta da planner, critic ed executor che opera su sandbox freschi, RSR trasforma circa 3K compiti terminali auto-curati in oltre 11K traiettorie riscritte per supervised fine-tuning (SFT). Questo approccio permette di espandere le capacità del modello base, aumentando significativamente i punteggi pass@3 e il process reward su benchmark complessi come Terminal-Bench.
- RSR converte esperienze ottenute con harness specializzati in competenze riutilizzabili per un modello che opera sotto un harness generale.
- Il sistema espande 2.001 traiettorie di successo originali in 11.094 traiettorie riscritte pronte per l'addestramento supervisionato.
- L'integrazione di planner, critic ed executor permette una revisione ricorsiva che elimina la fuoriuscita del verifier e della soluzione prima dell'esecuzione.
- I risultati mostrano un aumento sostanziale delle performance su Terminal-Bench 2 (da 57.0% a 74.2%) e Terminal-Bench Hard (da 39.0% a 63.0%).
- RSR supera sia il modello base che l'SFT diretto sulle traiettorie originali, dimostrando la validità della ricostruzione delle capacità.
Perché conta. Per gli sviluppatori di agenti e AI locale, RSR offre una strategia per mitigare i rischi legati all'uso di harness specializzati non disponibili in produzione, permettendo invece di internalizzare le soluzioni complesse direttamente nel modello tramite SFT.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.