arXiv · cs.AI· Dong Nie, Rui Lan, Yixin Nie, Lingzi Hong·· 11 小时前
状态表示影响长程Agent学习与迁移的实证研究
State Representation Shapes Long-Horizon Agent Learning and Transfer: An Empirical Study
arXiv:2610.15407v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Dong Nie, Rui Lan, Yixin Nie, Lingzi Hong
研究任务与主要进展
研究者基于论文摘要，在确定性工具工作流中用Qwen 1.7B、8B和27B模型研究状态表示对长程Agent学习与迁移的影响。H16交叉实验中，紧凑视图训练的1.7B适配器在紧凑视图完成50/50个保留任务，但在完整视图完成0/50个；显式相关性线索改善了完整视图执行，却未在测试检查点上弥合差距。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org