Agentic-Ideation: Sample Efficient Agentic Trajectories Synthesis for Scientific Ideation Agents
AI 深度解读
背景
构思在科学发现中起着关键作用。近期的大语言模型，特别是 AI Scientist 系统，在自动化构思方面展现出巨大潜力。然而，现有方法大多依赖预定义的 agentic workflows，这严重限制了在海量科学文献搜索空间和研究推理复杂动作空间中导航所需的灵活性。虽然训练 Agentic LLMs 提供了灵活的推理框架和自主工具利用能力，成为新的方向，但将现有的 agentic data synthesis 方法应用于科学构思时，面临数据合成成本过高这一
查看原文 →arxiv.org