Neue Umfrage zu agentischem Verstärkungslernen für LLMs. LLM RL behandelt Modelle weiterhin wie Sequenzgeneratoren, die in relativ engen Einstellungen optimiert sind. Echte Agenten hingegen agieren in offenen, teilweise beobachtbaren Umgebungen, in denen Planung, Gedächtnis, Werkzeugnutzung, Denken, Selbstverbesserung und Wahrnehmung miteinander interagieren. Dieses Papier argumentiert, dass agentisches RL als eigene Landschaft betrachtet werden sollte. Es führt eine breite Taxonomie ein, die das Feld nach den grundlegenden Fähigkeiten von Agenten und Anwendungsbereichen organisiert, und kartiert dann die Open-Source-Umgebungen, Benchmarks und Frameworks, die den Raum prägen. Wenn Sie Agenten entwickeln, ist dies ein starkes Papier, das sich lohnt, angesehen zu werden. Papier: Lernen Sie, effektive KI-Agenten in unserer Akademie zu bauen: