في السنوات الأخيرة، شهدت الأنظمة متعددة العملاء المعتمدة على نماذج اللغات الضخمة (LLM) انتشارًا واسعًا في التنسيق بين العملاء القائمين على أدوات التنفيذ عبر الرسوم البيانية القابلة للتنفيذ. ومع ذلك، لا تزال عمليات التنسيق الذاتي التطور تواجه تحديات كبيرة، منها صياغة التقدم بعد انتهاء المسار، وانتشار الائتمان الذي يمنح كل إجراء نفس الميزة النهائية في ظل المعايير المعقدة، وكذلك قبول المهارات الذي يفتقر إلى معايرة دقيقة ولا يُنسى أبدًا.

لمعالجة هذه التحديات، نقدم EvoSteer، مفهوم جديد لتنسيق الرسوم البيانية الذاتي التطور عبر الإنترنت. يعتمد الهيكل المنظم على بناء فريق دون توقف وإصلاح خطواته المحتملة ولكن الفاشلة من خلال ميزات التنفيذ وتقدير القيمة المتعلم.

لدعم هذا المفهوم، نقدم Anchored Trajectory Balance (AnchorTB)، وهي أسلوب خسارة يعادل التدفق عبر مطابقة الانحدار، حيث تُعطى كل إجراء تنسيقي معاملًا من خلال موازنة المسارات الفرعية مقابل مرجع مجمد. بناءً على هذا التدفق المتعلم، نقوم بتقديم قبول المهارات المُعتمد، حيث يتم اختبار المهارة المرشحة قبل الترويج، ويتم الترويج لها فقط إذا توافقت الأدلة مع اختبار متسلسل ضمن ميزانية اختبار مشتركة.

علاوة على ذلك، يجمع AnchorTB بين إحصائيات مكافآت المرجعية المعالجة على مستوى المهام مع تصحيحات تعتمد على البادئة. أظهرت النتائج التجريبية على اثني عشر مجموعة بيانات أن EvoSteer يتفوق بشكل كبير على المعايير في مجالات مثل الإجابة على الأسئلة، وتعليل الرياضيات، وتوليد الأكواد، واتخاذ القرارات التفاعلية. يمكنكم الوصول إلى كود المشروع على رابط GitHub.