摘要
本文介绍了 MuSEAgent，一种通过扩展研究智能体能力以发现和利用有状态经验来增强决策的多模态推理智能体。不同于依赖轨迹级检索，我们提出一种有状态经验学习范式，通过后见之明推理将交互数据抽象为原子决策经验。这些经验被组织成质量过滤的经验库，支持推理时的策略驱动检索。MuSEAgent 通过互补的广度和深度搜索策略实现自适应经验利用，动态检索多模态指导。实验表明，其在细粒度视觉感知和复杂多模态推理任务上均优于现有基线，验证了有状态经验建模的有效性。
AI 推荐理由
论文提出有状态经验学习范式，构建经验库以支持检索，核心在于记忆机制。
研究机构
Southeast University
Monash University
Xiaohongshu Inc.
Shanghai Jiao Tong University
University of Hong Kong
Zhejiang University
Renmin University of China
论文信息