ক্রমাগত শেখার এজেন্ট হল মডেল, জোতা এবং মেমরির সিস্টেম যা একাধিক সেশনের দীর্ঘ দিগন্ত জুড়ে কাজ করে। তাদের মূল্যায়ন এবং প্রশিক্ষণের জন্য এজেন্ট-সাইড ইভেন্টগুলির সাথে কাজের সমন্বয় প্রয়োজন যেমন একটি সেশন থামানো এবং শুরু করা, ক্যারেজ এবং মেমরি পুলিং। যাইহোক, বিদ্যমান বেঞ্চমার্ক এবং ট্রেনিং ফ্রেমওয়ার্ক শুধুমাত্র বেঞ্চমার্কের ইভেন্টের সময়সূচী নির্ধারণ করে, প্রতিটি জোড়া ডামি এবং এজেন্টদের একটি কাস্টম টাইমিং লুপ তৈরি করতে রেখে। আমরা SCLATE, একটি এক্সিকিউশন প্ল্যাটফর্মের সাথে পরিচয় করিয়ে দিই যেখানে এক্সিকিউশন মেট্রিক্স এবং অপরিবর্তনীয় এজেন্ট প্রত্যেকে তাদের ইভেন্টগুলিকে সমন্বয়কারীর মাধ্যমে একটি একক ওপেন ইভেন্ট শিডিউলারে যোগ করে। একটি হাইব্রিড সিমুলেটেড ঘড়ি এই ইভেন্টগুলিকে একটি সাধারণ টাইমলাইনে চালায়, এজেন্ট কাজ করার সময় রিয়েল টাইমে স্ট্রিমিং করে এবং নিষ্ক্রিয় ফাঁকগুলি এড়িয়ে যায়, একটি মাসব্যাপী দৃশ্যকল্পকে ঘন্টায় সংকুচিত করে। SCLATE একটি এক্সিকিউশন ইঞ্জিন হিসাবেও কাজ করে যা প্রতিটি এজেন্টের জোতা এবং মেমরি অপরিবর্তিত চালায়, কন্টেইনারের মধ্যে একটি প্রক্সির মাধ্যমে প্রতিটি মডেল কলের টোকেন এবং লগ সম্ভাব্যতা রেকর্ড করে। আমরা SCLATE-তে সাতটি বেঞ্চমার্ক পাস করি এবং দশটি মডেল জুড়ে দশটি অপরিবর্তিত জোতা এবং মেমরি কনফিগারেশনের তুলনা করি। তুলনাটি দেখায় যে একটি অতিরিক্ত মেমরি সিস্টেম নির্ভরযোগ্যভাবে মূল জোতা মেমরিকে হারাতে পারে না এবং মডেলগুলি কীভাবে একই জোতা এবং মেমরি ব্যবহার করে তাতে খুব আলাদা। তারপর আমরা অপরিবর্তিত হারনেস এবং মেমরি সিস্টেম ব্যবহার করে Qwen3.5-4B প্রশিক্ষণ দিই। মডেলটি উভয়ই ব্যবহার করতে শেখে, 16.7-পয়েন্ট উচ্চতর SWE-বেঞ্চ যাচাইকৃত পাস রেট সহ 6.8x কম ফাইল লাইন পড়া এবং আরও সমৃদ্ধ মেমরি রেকর্ড লেখা, যখন এর বর্ধিত MetaClaw নির্ভুলতা 11.8 পয়েন্ট পর্যন্ত বৃদ্ধি পায়।
Leave a Reply