Sensi: LLM-Agenten lernen spielerisch in Echtzeit – neue Testzeit-Lernarchitektur

Die neueste Veröffentlichung von Sensi präsentiert eine innovative Architektur für große Sprachmodelle (LLM), die in unbekannten Spielumgebungen sofort lernen können. Durch die Kombination von drei Schlüsselmechanismen – einer zweipersonen‑Architektur, die Wahrnehmung von Aktionen trennt, einem curriculum‑basierten Lernsystem, das von einer externen Zustandsmaschine gesteuert wird, und einer Datenbank‑als‑Control‑Plane, die das Kontextfenster programmatisch steuerbar macht – wird das Lernen in Echtzeit deutlich effizienter.

Ein weiteres Highlight ist die Einführung eines LLM‑als‑Judge‑Components. Dieser nutzt dynamisch generierte Bewertungskriterien, um zu bestimmen, wann ein Agent genug über ein Thema gelernt hat, um zum nächsten Schritt überzugehen. Dadurch wird das Lernen strukturiert und zielgerichtet, statt ziellos zu iterieren.

Die Ergebnisse sind beeindruckend: Sensi‑v1 löst zwei Spiellevels allein mit der zweipersonen‑Architektur. Sensi‑v2 ergänzt das Curriculum‑Learning und erreicht zwar keine Levels, schließt jedoch sein gesamtes Lerncurriculum in nur etwa 32 Aktionen ab – ein 50‑bis‑94‑faches Effizienzsteigerung gegenüber vergleichbaren Systemen, die 1600 bis 3000 Versuche benötigen. Die Analyse zeigt, dass die Hauptschwierigkeit nicht mehr im Lernprozess, sondern in der Wahrnehmungsgrundlage liegt, was die nächste Herausforderung für die Forschung definiert.