Observatorio de información y Publicaciones

Resumen: Los agentes de modelos de lenguaje grande (LLM) tienen cada vez más tareas con análisis complejos del mundo real (por ejemplo, en pronósticos financieros, descubrimientos científicos), sin embargo, su razonamiento adolece de inestabilidad estocástica y carece de una estructura compositiva verificable.

Resumen: Investigamos si los gráficos de creencias explícitas mejoran el rendimiento del LLM en el razonamiento cooperativo de múltiples agentes. A través de más de 3000 ensayos controlados en cuatro familias de LLM en el juego de cartas cooperativo Hanabi, establecemos cuatro hallazgos.

Resumen:Este artículo presenta una arquitectura de sistema HITL desacoplada que trata la supervisión humana como un componente independiente del sistema dentro del entorno operativo del agente. El diseño propuesto separa la gestión de la interacción humana de los flujos de trabajo de las aplicaciones a través de interfaces explícitas y un modelo de ejecución estructurado.