LeBet提出可解释规则监控器,SWE-bench Lite上省34.46% Token

arXiv上一篇新论文提出LeBet框架,用可解释的OR-of-AND规则监控自主智能体,并在SWE-bench Lite上报告节省34.46% token、输出精度从18.33%提升至21.59%的实验结果,为运行时干预提供了带统计保证的新思路。

一句话看懂:arXiv上一篇新论文提出LeBet框架,用可解释的OR-of-AND规则监控自主智能体,并在SWE-bench Lite上报告节省34.46% token、输出精度从18.33%提升至21.59%的实验结果,为运行时干预提供了带统计保证的新思路。

事件核心:发生了什么

2026年11月16日,arXiv cs.AI收录论文《Learn then Bet: Learning Interpretable Rules for Reliable Agent Intervention》。作者针对自主智能体可连续运行数百步、人工监督有限的现实,指出现有的轮次上限、关键词过滤等运行时监控启发式可能误停本可成功的任务,或放任失败任务继续。LeBet将学习目标建立在有效且高检出干预的充分条件上,学习一个可解释的OR-of-AND监控规则,并用固定投注统计量累积证据,达到阈值时触发干预。在SWE-bench Lite、Ministral 3 8B模型上,摘要称学到的监控器节省34.46%输入加输出token,输出精度从18.33%提升至21.59%,经验假阳性率为13.64%。以上仅为摘要信息,未核验全文实验细节。

为什么重要

智能体落地的一个关键瓶颈是“何时该停、何时该升级”缺乏可靠依据。当前主流做法依赖手工启发式,难以兼顾安全与效率。LeBet的价值在于把干预时机从经验规则推向有统计保证的可学习规则,并显式控制假阳性。其训练条件保证不要求轨迹独立同分布,且允许用同一批轨迹做学习和校准,这更贴近实际工程中样本有限、轨迹相关的场景。若方法成立,可降低智能体在长任务中的无效token消耗,对API调用成本和推理效率都有直接意义。

对用户/开发者/创作者的影响

对开发者而言,LeBet提供了一种可解释的运行时监控组件思路:OR-of-AND结构便于人工审查规则,投注统计量给出干预阈值,适合接入智能体编排框架或Agent API的护栏层。对企业采购方,带有限样本保证的假阳性控制比纯启发式更容易做风险论证。不过目前公开信息显示,这只是论文摘要层面的方法,尚无开源代码或产品化信息,实际部署前需要验证规则在不同模型和任务上的迁移性。

GamsGo AI

AI 工具推荐

想把多个 AI 模型放在一个入口?

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型,适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接:通过此链接购买,我可能获得佣金,不影响你的价格。

值得关注的后续

一是作者是否开源实现、在其他智能体基准上复现结果;二是13.64%的经验假阳性率在更高风险任务中是否可接受,以及阈值如何按场景调整;三是这类统计监控方法是否被主流智能体框架或云厂商的Agent运行时采纳。

来源:arXiv cs.AI

celebrityanime
celebrityanime
文章: 35297

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注