Контент доступен только для PRO подписчиков
Чтобы получить доступ к полному содержанию этого исследования, оформите PRO подписку
DEPO: Оптимизация предпочтений с двойной эффективностью для LLM-агентов
КЛЮЧЕВАЯ СУТЬ
Адаптировать под запрос
Обнаружено: LLM-агенты тратят до 60% токенов на избыточные «размышления» и делают на 27% больше шагов, чем необходимо — это два разных типа неэффективности, которые можно устранить одновременно. Метод DEPO позволяет получать от LLM короткие, точные ответы с минимальным количеством действий — агент перестаёт «болтать» и идёт прямым путём к решению. Двойная эффективность работает через награду за траектории, которые одновременно краткие (мало токенов на шаг) и короткие (мало шагов до цели) — модель учится отсекать лишнее на обоих уровнях.