JevSpawn：通过组合动作空间进行自适应 Agentic 推理

LLM Agent逐个生成中间推理和操作，使得扩展交互变得缓慢且计算成本高昂。 Jev 式模型提供有限域上的快速概率预测，但需要提前指定这些域。这一要求限制了自主任务解决，其中可用的动作必须来自自然语言指令并通过交互进行调整。我们引入了 JevSpawn，一种将自然语言任务规范与有限概率探索联系起来的组合策略。并行动作生成与反馈驱动的分支选择、表示修订以及从保留的替代方案中恢复相结合。共享动作结构和模型前缀减少了重复生成和上下文计算，无需额外训练。根据七个Agent基线和 TypeSafe Jev 变体对八个基准任务进行的评估表明，JevSpawn 是一种很有前景的结构化 Agentic 推理方法，具有改进的任务性能和更快的导航速度。