HybridAgents: latent reasoning နှင့် text interaction ကို ပေါင်းစပ်သော agent များ

လူသားဘာသာစကားထက် ကျော်လွန်ပြီး တွေးခေါ်နိုင်သော်လည်း ပြင်ပပတ်ဝန်းကျင်ထဲတွင် စာသားမှတစ်ဆင့် ဆက်သွယ်ဆောင်ရွက်နိုင်သော agent တစ်ခုကို မည်သို့တည်ဆောက်ရမည်နည်း။ ခေတ်သစ် LLM agent များသည် ယနေ့တိုင်အောင် စာသားမှတစ်ဆင့်သာ တွေးခေါ်ဆက်သွယ်ကြသည်။ တစ်ဖက်တွင် latent reasoning သည် ထိရောက်သော အတွင်းစိတ် နည်းလမ်းတစ်ခုဖြစ်သော်လည်း tool များကို တိုက်ရိုက်အသုံးပြုနိုင်စွမ်းနှင့် reasoning ပုံစံကို စစ်ဆေးကြည့်နိုင်စွမ်း မရှိပါ။

Hybrid Reasoning Agents (HybridAgents) သည် ဤဦးတည်ချက်နှစ်ခုကို တစ်ပေါင်းတည်း generation လုပ်ငန်းစဉ်အတွင်း latent reasoning နှင့် စာသားအခြေပြု interaction ကြား အလိုအလျောက်ရွှေ့ပြောင်းလှည့်ပတ်နိုင်စေရန် ပေါင်းစပ်ပေးသည်။ ဗိသုကာပိုင်းဆိုင်ရာအရ အသက်သာသော HybridLink တစ်ခုက text mode နှင့် latent mode ကြား ဆက်စပ်မှုကို ချောမွေ့စေပြီး agent ၏ continuous working memory က အဆင့်များစွာတွင် hybrid context ကို ဆုံးရှုံးမှုမရှိဘဲ ထိန်းသိမ်းပေးသည်။ ဤဒီဇိုင်းများက tool ပေါင်းစပ် agentic စွမ်းရည်များကို ထိန်းသိမ်းရင်း latent အတွေးများကို တိုက်ရိုက်စစ်ဆေးနိုင်စေသည်။

ထို့အပြင် hybrid reasoning အတွက် သီးသန့် post-training algorithm များ တွေ့ရသည်။ HybridSFT က backbone ကို HybridLink နှင့် ညှိနှိုင်းဆောင်ရွက်နိုင်စေပြီး tool ပေါင်းစပ် hybrid generation ကို တည်ငြိမ်စေကာ HybridRL က latent space တွင် ဘယ်အချိန်တွေးခေါ်ရမည်၊ ဘယ်အချိန် စာသားမှတစ်ဆင့် ဆောင်ရွက်ရမည်ကို သင်ယူပြီး reasoning ကို ချဲ့ထွင်ပေးသည်။ သုတေသီများက သင်္ချာ၊ သိပ္ပံ၊ ဆေးဘက်ဆိုင်ရာ၊ ရှာဖွေရေးနှင့် agentic reasoning ပါဝင်သော benchmark ၁၁ ခုတွင် model အရွယ်အစား ၃ ခုဖြင့် စမ်းသပ်ရာ HybridAgent သည် text-based နှင့် latent နည်းလမ်းနှစ်ခုလုံးပါဝင်သော ထိပ်တန်း LLM agent များနှင့် agentic framework များထက် စွမ်းဆောင်ရည် ၁၀.၄% တိုးတက်စေပြီး token အသုံးပြုမှု ၃၅.၅% မှ ၅၄.၇% ထိလျှော့ချနိုင်ကာ inference အမြန် ၁.၈ ဆမှ ၂.၆ ဆ မြန်ပြီး ကုန်ကျစရိတ် ၂.၇ ဆမှ ၃.၇ ဆ သက်သာစေသည်။

လက်တွေ့သဘောတရားမှာ agent တစ်ခု၏ အတွေးအခေါ်ကို စာသားထဲတွင်သာ ကန့်သတ်ထားစရာ မလိုပါ။ latent နှင့် text mode ကြား လွတ်လပ်စွာရွှေ့ပြောင်းနိုင်စေရန် ဗိသုကာနှင့် လေ့ကျင့်မှုနည်းလမ်းများ ပေါင်းစပ်ပေးခြင်းက စွမ်းဆောင်ရည်နှင့် အရှိန် နှစ်ခုလုံးကို တစ်ပြိုင်နက် မြှင့်တင်ပေးနိုင်သည်။

ဤဆောင်းပါးကို Mynd Labs ၏ တည်ထောင်သူနှင့် အဆင့်မြင့်အင်ဂျင်နီယာချုပ်၊ Compyle (YC F25) ၏ coordinator နှင့် တည်ထောင်သူအဖွဲ့ဝင်၊ အိန္ဒိယနိုင်ငံ Thrissur မြို့မှ Yethikrishna R ရေးသားပါသည်။

ရင်းမြစ် - https://arxiv.org/abs/2610.18861