UC Berkeley 论文提出用遗忘机制扩展研究智能体

UC Berkeley 的论文提出一种扩展研究智能体的方法：定期丢弃每个智能体的会话和候选历史，再从当前最优候选重新开始，以缓解智能体锚定自身过往尝试、额外预算不再带来改进的问题。在启发式编程、kernel 优化和模型训练任务上，该方法相比并行智能体最高提升 15%，相比同等预算下的单智能体最高提升 39%。论文链接为 arxiv.org/abs/2610.20563。