LATIDIA · Robótica

¿Cuándo ayuda la memoria de la experiencia a los agentes de conducción de LLM de circuito cerrado? Una evaluación controlada con grupos de calentamiento remuestreados, rellenos coincidentes con tokens y líneas de base auditadas

arXiv: 2610.27714v1Announce Type: cross Resumen: ¿Cuándo ayuda la memoria de la experiencia a un agente de conducción LLM de bucle cerrado? Las ganancias publicadas no pueden decir, porque los dos factores que consideramos más importantes, que el calentamiento experimenta el

La noticia

arXiv:2610.27714v1 Announce Type: cross Abstract: When does experience memory help a closed-loop LLM driving agent? Published gains cannot say, because the two factors we find to matter most, which warmup experiences the pool contains and what any injected tokens do to the prompt, are controlled in none of them. We answer with a controlled evaluation on one audited HighwayEnv testbed (1Hz, gpt-4o-mini for the decisive contrasts). We treat the warmup pool as a resampled random factor (ten disjoint pools) and add token-matched irrelevant-filler controls, oracle-certified diagnostics, caution-pricing metrics, and quantified audits of the baseline ports. The probe suite spans flat-text retrieval (a DiLu port), a single-frame grid port (RESPOND-inspired), our