Exposing Limitations of Language Model Agents in Sequential-Task Compositions on the Web
Zusammenfassung
Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.
Kurz
Der bereitgestellte Bericht ist nur ein Abstract-Auszug. Laut diesem sinkt der Erfolg bestehender Sprachmodell-Agenten bei kombinierten Webaufgaben deutlich; HTML-T5++ erzielt bessere Benchmarkwerte, verliert aber ebenfalls Leistung, wenn sich die Reihenfolge der Aufgaben ändert. Die Verfassenden betonen daher den Bedarf an robusterer Verallgemeinerung.
Mittel
Der bereitgestellte Bericht ist ein Auszug aus dem Abstract mit bibliografischen Angaben, nicht der vollständige Artikel. Er stellt CompWoB vor, einen Benchmark mit 50 Web-Automatisierungsaufgaben, die mehrere Teilaufgaben kombinieren.
Laut Abstract erreichen GPT-3.5-turbo- und GPT-4-Agenten bei Grundaufgaben durchschnittlich 94,0 Prozent Erfolg, bei zusammengesetzten Aufgaben aber nur 24,9 Prozent. Für Agenten, die nur auf Grundaufgaben feinabgestimmt wurden, sinkt die Quote von 85,4 auf 54,8 Prozent. Das im Bericht vorgestellte HTML-T5++ erreicht nach ausgewogener Verteilung der Trainingsdaten 95,2 Prozent auf MiniWoB und 61,5 Prozent Zero-Shot-Erfolg auf CompWoB; die erste Zahl wird als über menschlichem Niveau eingeordnet.
Bei veränderter Reihenfolge der kombinierten Aufgaben verschlechtere sich die Leistung laut Abstract weiter. Die Autorinnen und Autoren folgern daraus, dass robustere und besser verallgemeinernde Agenten nötig sind. Angaben zu Methoden und Unsicherheiten fehlen in diesem Auszug.
Ausführlich lesen
Der bereitgestellte Bericht ist ein Auszug: Er enthält das Abstract sowie Angaben zu Autorinnen und Autoren und zur Veröffentlichung, nicht den vollständigen Artikel. Das Abstract stellt CompWoB vor, einen Benchmark mit 50 neuen Aufgaben zur Web-Automatisierung, die mehrere Teilaufgaben verbinden und realistischere Bedingungen abbilden sollen.
Laut Abstract erreichen vorgegebene Sprachmodell-Agenten mit GPT-3.5-turbo oder GPT-4 bei einzelnen Grundaufgaben im Mittel 94,0 Prozent Erfolg. Bei zusammengesetzten Aufgaben fällt ihre Erfolgsquote auf 24,9 Prozent. Agenten, die ausschließlich mit Grundaufgaben feinabgestimmt und anschließend übertragen wurden, zeigen dem Bericht zufolge eine kleinere Lücke: Ihre Quote sinkt von 85,4 auf 54,8 Prozent.
Die Autorinnen und Autoren berichten außerdem über HTML-T5++, ein Modell, das mit einer ausgeglichenen Datenverteilung über Aufgaben trainiert wurde. Es erreiche 95,2 Prozent auf MiniWoB, was im Abstract als über dem menschlichen Leistungsniveau beschrieben wird, und die beste dort angegebene Zero-Shot-Leistung auf CompWoB mit 61,5 Prozent. Diese Resultate werden als Hinweis auf das Potenzial kleinerer, feinabgestimmter und übertragener Modelle für die Kombination von Aufgaben dargestellt.
Als Einschränkung nennt das Abstract, dass die Leistung weiter sinkt, wenn die Anweisungen die Reihenfolge der kombinierten Aufgaben verändern. Die Befunde unterstreichen laut den Verfassenden, dass Sprachmodell-Agenten für reale Anwendungen robuster und besser auf neue Aufgabenkompositionen verallgemeinerbar sein müssen. Der Auszug enthält keine näheren Angaben zu Versuchsaufbau, Messunsicherheit oder den konkreten Aufgaben; solche Details lassen sich daraus nicht beurteilen.
Wie die Modelle den Bericht einordnen
Ansicht
Filter
Fähigkeiten messen
- SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 44 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 31 %einzelne zitierbare Belege
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 42 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Unabhängig prüfen
- SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 40 %einzelne zitierbare Belege
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-P5 Wie überprüft man, ob Zusagen zwischen Staaten eingehalten werden, auch über Jahre und Regierungswechsel hinweg?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Tempo und Grenzen
- SF-T2 Woran erkennen andere, dass ein Labor wirklich bremst?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 100 %kein Bezug
- SubQ 100 %kein Bezug
- drex 42 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 48 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 54 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
Vertrauen in Modelle
- SF-V1 Was zählt als Beleg für die Werte eines Modells, wenn sein sichtbares Denken und seine Selbstauskünfte allein nicht genügen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 38 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- clef 100 %kein Bezug
- Luna 35 %Hintergrund, keine Belege
- JEV 100 %kein Bezug
- amos 37 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 50 %gleiches Oberthema, hilft nicht
- d3-ultra 100 %kein Bezug
- SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 29 %einzelne zitierbare Belege
- amos 45 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- clef 100 %kein Bezug
- Luna 51 %Hintergrund, keine Belege
- JEV 45 %einzelne zitierbare Belege
- amos 39 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 49 %gleiches Oberthema, hilft nicht
- d3-ultra 47 %gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
- SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
- clef 100 %kein Bezug
- Luna 37 %Hintergrund, keine Belege
- JEV 37 %gleiches Oberthema, hilft nicht
- amos 34 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 58 %gleiches Oberthema, hilft nicht
- SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 40 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Modelle teilen und schützen
- SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 100 %kein Bezug
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
- SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- clef 100 %kein Bezug
- Luna 100 %kein Bezug
- JEV 31 %einzelne zitierbare Belege
- amos 44 %gleiches Oberthema, hilft nicht
- SubQ 100 %kein Bezug
- drex 100 %kein Bezug
- d3-ultra 100 %kein Bezug
Weitere Berichte zu diesen Fragen
- Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
- Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
- Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
- Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
- Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
- Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
- Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
- Alle Berichte im Archiv