PABU: Fortschrittsorientiertes Update steigert Effizienz von LLM-Agenten

Ein neues arXiv-Papier (2602.09138v1) präsentiert PABU – ein innovatives Belief‑State‑Framework, das die Leistungsfähigkeit von Large‑Language‑Model‑Agenten deutlich verbessert. Traditionell basieren Agenten auf kompletten Aktions‑ und Beobachtungshistorien, was unnötige Informationen mitbringt, redundante Aktionen verursacht und die Rechenkosten erhöht.

PABU löst dieses Problem, indem es den Fortschritt einer Aufgabe explizit modelliert und nur relevante vergangene Aktionen und Beobachtungen speichert. Bei jedem Schritt schätzt der Agent seinen relativen Fortschritt seit dem vorherigen Rundenabschluss und entscheidet, ob die aktuelle Interaktion gespeichert werden soll. So werden zukünftige Entscheidungen ausschließlich auf dem ausgewählten Subset konditioniert.

In acht unterschiedlichen Umgebungen des AgentGym‑Benchmarks, unter Verwendung identischer Trainingsdaten, erreicht PABU eine Aufgabenabschlussrate von 81,0 %. Das ist ein Plus von 23,9 % gegenüber bisherigen State‑of‑the‑Art‑Modellen, die die komplette Historie nutzen. Darüber hinaus reduziert PABU die durchschnittliche Anzahl an Interaktionsschritten auf 9,5, was einer Einsparung von 26,9 % entspricht.

Abschlusstests zeigen, dass sowohl die explizite Fortschrittsvorhersage als auch die selektive Speicherung entscheidend für die robuste Lernleistung und die erzielten Verbesserungen sind.