Résoudre une tâche de LLM d'un million d'étapes sans aucune erreur

papers.abstract

Les LLM ont réalisé des avancées remarquables en matière de raisonnement, de perspicacité et d'utilisation d'outils, mais l'enchaînement de ces capacités en processus étendus, à l'échelle de ceux exécutés couramment par les humains, les organisations et les sociétés, est resté hors de portée. Les modèles présentent un taux d'erreur persistant qui empêche leur passage à l'échelle : par exemple, des expériences récentes dans le domaine de référence des Tours de Hanoï ont montré que le processus finit inévitablement par dérailler après au maximum quelques centaines d'étapes. Ainsi, bien que la recherche sur les LLM soit encore souvent évaluée sur des tâches comportant relativement peu d'étapes logiques dépendantes, l'attention se porte de plus en plus sur la capacité (ou l'incapacité) des LLM à réaliser des tâches à long terme. Cet article décrit MAKER, le premier système qui résout avec succès une tâche nécessitant plus d'un million d'étapes de LLM sans aucune erreur, et qui, en principe, peut être mis à l'échelle bien au-delà de ce niveau. L'approche repose sur une décomposition extrême d'une tâche en sous-tâches, chacune pouvant être traitée par des micro-agents spécialisés. Le haut niveau de modularité résultant de la décomposition permet d'appliquer une correction d'erreur à chaque étape via un schéma de vote multi-agents efficace. Cette combinaison de décomposition extrême et de correction d'erreur rend possible la mise à l'échelle. Ainsi, les résultats suggèrent qu'au lieu de compter sur l'amélioration continue des LLM actuels, les processus agentiels massivement décomposés (MDAP) pourraient offrir un moyen de résoudre efficacement des problèmes à l'échelle des organisations et des sociétés.

English

LLMs have achieved remarkable breakthroughs in reasoning, insights, and tool use, but chaining these abilities into extended processes at the scale of those routinely executed by humans, organizations, and societies has remained out of reach. The models have a persistent error rate that prevents scale-up: for instance, recent experiments in the Towers of Hanoi benchmark domain showed that the process inevitably becomes derailed after at most a few hundred steps. Thus, although LLM research is often still benchmarked on tasks with relatively few dependent logical steps, there is increasing attention on the ability (or inability) of LLMs to perform long range tasks. This paper describes MAKER, the first system that successfully solves a task with over one million LLM steps with zero errors, and, in principle, scales far beyond this level. The approach relies on an extreme decomposition of a task into subtasks, each of which can be tackled by focused microagents. The high level of modularity resulting from the decomposition allows error correction to be applied at each step through an efficient multi-agent voting scheme. This combination of extreme decomposition and error correction makes scaling possible. Thus, the results suggest that instead of relying on continual improvement of current LLMs, massively decomposed agentic processes (MDAPs) may provide a way to efficiently solve problems at the level of organizations and societies.

Résoudre une tâche de LLM d'un million d'étapes sans aucune erreur

Solving a Million-Step LLM Task with Zero Errors

papers.abstract

Support