Agentes· atualizado em · 3 min de leitura· Redação Invision

TreeFlex: agentes que navegam sua própria árvore de busca

TreeFlex permite que o próprio agente decida onde buscar em uma árvore de estados, superando o ReAct plano em benchmarks de pesquisa profunda e SWE-bench.

Resumo: TreeFlex é um framework em que o agente de IA controla sua própria árvore de busca, registrando estados intermediários e decidindo onde retomar a execução. A abordagem supera o ReAct plano e o FoldAgent em benchmarks de pesquisa profunda e engenharia de software, mostrando ganhos expressivos de precisão.

Pontos-chave

  • TreeFlex é um framework em que o agente controla sua própria árvore de busca, registrando estados intermediários com resumos.
  • A abordagem supera o ReAct plano e o FoldAgent em benchmarks de pesquisa profunda e engenharia de software.
  • Com um modelo de 4B, o TreeFlex alcançou 48,8% de acurácia em pesquisa profunda, contra 41,5% do ReAct e 42,8% do FoldAgent.
  • No SWE-bench Verified, com modelo de 9B, resolveu 54,9% das tarefas, enquanto FoldAgent e sua variante step-wise ficaram em 43,3% e 45,2%.
  • O treinamento usa uma adaptação do GRPO ciente da árvore, com recompensas de processo e de resultado.
Nesta matéria

O problema do contexto acumulado em agentes ReAct#

Agentes no estilo ReAct acumulam observações, resultados intermediários e tentativas falhas em um único contexto. Com o tempo, esse contexto cresce e passa a conter informações obsoletas ou fora do caminho relevante.

Esse acúmulo consome a capacidade limitada do modelo e dificulta o raciocínio focado, pois evidências importantes ficam obscurecidas por dados antigos.

Como o TreeFlex organiza a busca em árvore#

O TreeFlex introduz uma árvore de busca mantida pelo harness, na qual cada estado intermediário é registrado como um nó com um pequeno resumo. O agente, então, usa sua própria política para decidir onde continuar a partir desses nós.

A política é um único modelo de linguagem que atua em dois papéis: Reflexão e Execução. Na Reflexão, ele tem visão global da árvore por meio dos resumos e escolhe um nó para retomar, junto com uma instrução. Na Execução, o harness restaura o caminho até esse nó e o modelo realiza a instrução com as ferramentas usuais até salvar um novo nó ou propor uma solução.

Quais decisões o agente pode tomar?#

Com essa estrutura, o agente decide se aprofunda a linha atual, se ramifica a partir de um estado anterior, se revisita um nó, se verifica uma proposta ou se encerra a busca. Não há ordem fixa de travessia nem pontuação por nó.

Essa flexibilidade permite que o próprio modelo gerencie o processo de busca, priorizando caminhos mais promissores com base no histórico resumido.

Como o TreeFlex é treinado?#

O treinamento conjunto cobre navegação, ações de tarefa, checkpoints e revisão de propostas, usando uma adaptação do GRPO ciente da árvore. As recompensas incluem o resultado final da tarefa e recompensas de processo.

Em um experimento com um modelo de 4B parâmetros e limite de contexto ativo igual para todos os métodos, o TreeFlex alcançou 48,8% de acurácia em um benchmark desafiador de pesquisa profunda, contra 41,5% do ReAct plano e 42,8% do FoldAgent. O Pass@8 ficou cerca de dez pontos acima dos concorrentes.

Resultados no SWE-bench Verified#

No SWE-bench Verified, com os três sistemas treinados com RL a partir do mesmo modelo de 9B, o TreeFlex resolveu 54,9% das tarefas. O FoldAgent ficou em 43,3% e sua variante step-wise em 45,2%.

Esses números indicam que a navegação em árvore pode melhorar o desempenho em tarefas de engenharia de software que exigem múltiplos passos e exploração de soluções.

O que isso muda para quem usa IA#

Para desenvolvedores que constroem agentes, o TreeFlex sugere que permitir que o modelo gerencie sua própria árvore de estados pode ser mais eficaz do que manter um contexto linear acumulativo. Isso pode levar a agentes mais robustos em tarefas complexas.

A Invision, API multimodelo da Dream Vision, oferece acesso a diversos modelos por meio de uma única chave, o que pode facilitar a experimentação com abordagens como essa. No entanto, a implementação do TreeFlex ainda depende de treinamento específico e não está disponível como um recurso pronto na plataforma.

Perguntas frequentes

O que é TreeFlex?

TreeFlex é um framework para agentes de IA que permite que o próprio modelo decida onde buscar em uma árvore de estados intermediários, em vez de acumular tudo em um contexto linear.

Como o TreeFlex se diferencia do ReAct?

No ReAct, o agente acumula observações em um único contexto que cresce e pode ficar poluído. No TreeFlex, o agente registra estados como nós de uma árvore e escolhe ativamente qual nó retomar, mantendo o contexto mais limpo e focado.

Quais foram os resultados do TreeFlex?

Em um benchmark de pesquisa profunda, o TreeFlex atingiu 48,8% de acurácia com um modelo de 4B, superando ReAct (41,5%) e FoldAgent (42,8%). No SWE-bench Verified, com modelo de 9B, resolveu 54,9% das tarefas, contra 43,3% e 45,2% dos concorrentes.

O TreeFlex já está disponível para uso?

A notícia não informa sobre disponibilidade pública ou licença. Trata-se de um framework de pesquisa apresentado em artigo, com treinamento específico via RL.

agentespesquisatreeflexreacswe-bench

Fonte original: TreeFlex: Agents Navigating Their Own Search Trees (Hugging Face Papers). Matéria escrita pela redação da Invision a partir dessa notícia. Versão em texto.