22:42rohanpaul_ai@rohanpaul_ai精选72°一篇新论文指出,AI Agent 系统的扩展不应仅依赖增加计算量,而应关注有效反馈的利用。作者提出“有效反馈计算”(EFC)指标,只计算那些能教会智能体有用信息并改变后续决策的反馈。实验表明,任务归一化的 EFC 比原始计算量更能预测任务失败,在预算相同的情况下,更好的反馈将成功率从 0.27 提升至 0.90。该研究强调 Agent 系统本质上是“反馈机器”,而非简单的模型封装。论文Agent 系统有效反馈计算扩展定律智能体评估反馈机制推荐理由:做 Agent 系统或智能体框架的开发者,别再只盯着 token 和调用次数了——这篇论文给出了一个更聪明的衡量标准,直接帮你判断系统是否真的在“学习”。建议点开看看 EFC 怎么算,能省不少试错成本。原文
11:34elvis@omarsar0精选72°一项新研究提出了有效反馈计算(EFC)指标,用于衡量智能体实际可用的反馈量,替代传统的原始token和工具调用计数。实验表明,原始计数只能解释33%-42%的智能体失败原因,而EFC的解释力达到99%。在相同计算预算下,仅通过按有效反馈重新分配资源,就能将智能体成功率从0.27提升至0.90。该研究将智能体框架设计从猜测转变为可预测的科学。论文智能体有效反馈计算Scaling LawsAgent Harness性能优化推荐理由:做智能体框架或Agent Harness的开发者,终于有了一个可量化的优化指标——EFC能让你用相同算力把成功率翻三倍,值得点开论文细读。原文