NY forskning från Meta Superintelligence Labs. Den använder en smart strategi-auktionsram för att förbättra självförbättrande agenter på komplexa uppgifter. Små agenter räcker inte alltid. På de enklaste uppgifterna uppnår en 4B-parameteragent 87 % av en 32B-agents prestation. Men på de mest komplexa uppgifterna sjunker den relativa prestandan till bara 21%. Standardantagandet idag är att du antingen använder den största modellen för allt eller routar uppgifter med en tränad klassificerare. Men tränade routrar försämras när uppgiftssvårigheten ökar, och icke-prediktiva kaskader blir orimligt dyra för agentiska arbetsbelastningar. Denna nya forskning introducerar SALE (Strategy Auctions for Workload Efficiency), ett ramverk inspirerat av frilansmarknadsplatser. Istället för att förutsäga vilken modell som ska användas enbart utifrån en uppgiftsbeskrivning, bjuder agenter med korta strategiska planer som poängsätts av en systematisk kostnads-värde-mekanism. Hur fungerar auktionen? Varje kandidatagent föreslår en strategisk lösningsplan. En kamratjury bedömer planer efter förutspådd värde. En heuristisk kostnadsprediktor uppskattar genomförandekostnaden. Mäklaren med den bästa kostnads-värde-avvägningen vinner och genomför sin plan. Det är självförbättringsmekanismen som blir intressant. Efter varje auktion lagras alla föreslagna strategier i en delad minnesbank. Billigare mäklare som förlorat kan lära sig av vinnande strategier och lämna in finslipade bud, liknande frilansare som utvecklar sin kompetens över tid. På djupsökningsuppgifter överträffar SALE den bästa enskilda mäklarens pass@1 med 3,5 poäng samtidigt som kostnaden minskar med 35 %. När det gäller kodningsuppgifter förbättras pass@1 med 2,7 procentenheter till 25 % lägre kostnad. Inom båda domänerna minskar SALE beroendet av den största mäklaren med 53 %. Befintliga routrar som WTP och FrugalGPT presterar antingen sämre än den största agenten eller misslyckas med att minska kostnaderna. FrugalGPT:s kostnader ökar faktiskt för komplexa kodningsuppgifter, och når 0,61 dollar per miljon tokens jämfört med den bästa agentens 0,36 dollar. Marknadsinspirerade samordningsmekanismer som organiserar heterogena agenter i adaptiva ekosystem kan systematiskt överträffa både enskilda stora modeller och tränade ruttningsmetoder. Papper: Lär dig att bygga effektiva AI-agenter i vår akademi: