İçeriğe geç
CANLI 03:22 Replit Missions tanıtıldı: Hedefi ve bütçeyi siz belirleyin, ajan sürüsü çalışsın 03:22 WSJ: SEC, Jensen Huang’ın ayrılığının ardından Nvidia hakkında soruşturma başlattı 03:22 Microsoft Agent Framework PyPI paketi ele geçirildi: 1.26.1 ve 1.26.2 kimlik bilgisi çalıyor 03:22 Gemini Tasks ücretsiz oldu: Gemini artık arama yapıp alışveriş yapabiliyor 03:21 Microsoft Ignite 2026’da yedi MAI modeli tanıttı: MAI Code 2 ile ucuz kodlama hamlesi Zekâ endeksi lideri Claude Fable 5.2 (Max, Default Fallback) · 64,6 18.11.2026
Bülten

arXiv 2611.23219 cs.LG

LLM Temsilcilerine Hala Kendini Nasıl Geliştireceklerinin Söylenmesi Gerekiyor mu?

Özgün başlık Do LLM Agents Still Need to Be Told How to Self-Improve?

  • Shobhita Sundaram
  • Cansu Sancaktar
  • Phillip Isola
ai/muhabir · özet metinden derlendi

LLM temsilcileri giderek daha fazla kendi öğrenmelerini yönlendiriyor. Kendini geliştirme yöntemleri, model optimizasyonunun çeşitli bileşenlerini modellerin kendilerine devreder. Modeller daha yetenekli hale geldikçe bu, temel bir soruyu harekete geçiriyor: giderek daha yetenekli hale gelen bu modellerin, kendilerini nasıl geliştirmeleri gerektiğini belirtmemize hâlâ ihtiyaçları var mı?

Bu kısa özet, sayfanın kendi metninin ilk cümlelerinden otomatik derlendi; “Yeniden yaz” aynı özeti baştan yazar.

02 Özet

LLM temsilcileri giderek daha fazla kendi öğrenmelerini yönlendiriyor. Kendini geliştirme yöntemleri, model optimizasyonunun çeşitli bileşenlerini modellerin kendilerine devreder. Modeller daha yetenekli hale geldikçe bu, temel bir soruyu harekete geçiriyor: giderek daha yetenekli hale gelen bu modellerin, kendilerini nasıl geliştirmeleri gerektiğini belirtmemize hâlâ ihtiyaçları var mı? Bu yazıda, temel ilkeler, kaynaklar ve kişisel gelişim için genel bir hedef göz önüne alındığında, etmenlerin bağlama dayalı optimizasyon için kendi kendi kendine öğrenme algoritmalarını oluşturdukları özerk bir paradigma üzerinde çalışıyoruz. Oynanış ortamını bir test ortamı olarak kullanan donmuş bir Yüksek Lisans aracısına, deneyim toplamak ve metin belgelerini güncellemek için bir bilgi işlem bütçesi ve araçlar verilir ve dışarıdan empoze edilen bir döngü olmadan veya gerçek dünya verilerine erişim olmadan özgürce deneme yapmasına izin verilir. Yeterince yetenekli modellerin bu koşullar altında kendilerini geliştirdiklerini, kendi kendini düzenleyen öğrenme için klasik bilişsel çerçevelerle uyumlu stratejiler ve kendi kendine oluşturulan müfredatlara ilişkin makine öğrenimi literatüründen yapılar sergilediğini bulduk. Ayrıca, farklı oyun ufukları, mekanikler ve 3D navigasyondaki gelişmeleri gözlemleyerek, öğrenilen metin yapıtlarının harici karşılaştırmalara ne ölçüde aktarıldığını inceliyoruz.

Bu çeviri otomatik (makine çevirisi) olarak hazırlandı; bilimsel alıntı için özgün özeti esas alın.

LLM agents increasingly drive their own learning. Self-improvement methods delegate various components of model optimization to the models themselves. As models become more capable, this motivates a basic question: do these increasingly capable models still need us to specify how they should self-improve? In this paper we study an autonomous paradigm in which, given basic primitives, resources, and a general goal for self-improvement, agents construct their own self-learning algorithm for context-based optimization. Using the setting of gameplay as a testbed, a frozen LLM agent is given a compute budget and tools for collecting experience and updating text documents, and allowed to freely experiment without an externally imposed loop or access to real-world data. We find that sufficiently capable models do self-improve under these conditions, demonstrating strategies that align with classic cognitive frameworks for self-regulated learning and constructs from machine learning literature on self-generated curricula. Furthermore, we study the extent to which the learned text artifacts transfer to external benchmarks, observing improvement across different game horizons, mechanics, and 3D navigation.

03 PDF

Bu PDF başka bir sitede (arxiv.org) barındırılıyor ve sayfa içinde gösterilemiyor. Yukarıdaki düğmelerle yeni sekmede açabilir ya da indirebilirsiniz.

04 Kaynak göster

BibTeX
@article{sundaram2026do,
  title   = {Do LLM Agents Still Need to Be Told How to Self-Improve?},
  author  = {Shobhita Sundaram and Cansu Sancaktar and Phillip Isola},
  journal = {arXiv preprint arXiv:2611.23219},
  year    = {2026},
  url     = {https://arxiv.org/abs/2611.23219}
}
APA
Sundaram, S., Sancaktar, C., & Isola, P. (2026). LLM Temsilcilerine Hala Kendini Nasıl Geliştireceklerinin Söylenmesi Gerekiyor mu?. arXiv. https://arxiv.org/abs/2611.23219
Paylaş
X LinkedIn WhatsApp Telegram Reddit Bluesky Threads E-posta

Yorumlar 0

Yorum yazın

Karakter: 0/1000

Henüz yorum yok. İlk yorumu siz yazın.