论文提出联合优化智能体框架质量与成本的方法，并在两个基准上报告质量升、成本降。
资讯摘要
论文提出 ParetoSaddler，用于在不修改模型权重的前提下联合优化 LLM 智能体的框架（harness）质量与成本。该方法将中间候选晋升与最终部署选择分离，每轮用贝叶斯自助帕累托支持筛选在质量或成本上有可信进展的候选。作者报告在 ClawMark 上质量从 70.86% 升至 81.35%、单任务成本从 1.17 美元降至 1.01 美元；在 GAIA2 上质量从 56.22% 升至 62.89%、成本从 0.78 美元降至 0.45 美元。
要点速读
- 方法将中间候选晋升与最终部署选择分离，避免部署偏好过早淘汰后续有价值的候选。
- 每轮比较父框架与候选框架的多次执行结果，用贝叶斯自助帕累托支持决定晋升。
- 作者报告在 ClawMark 和 GAIA2 上质量提升且成本下降，优于仅优化质量的框架优化。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。