Zespół badaczy zaproponował mechanizm Self-Direction, który uczy agenty AI trwałego uczenia się na błędach bez konieczności pełnego przeszkolenia modelu. Gdy agent nie rozwiąże zadania, analizuje swoją ścieżkę decyzji, wyciąga wnioski i konwertuje je do małego adaptera typu low-rank, zmieniającego zaledwie 0,02% parametrów modelu bazowego.
Kluczową innowacją jest podejście wariantowe: oryginalne wagi modelu pozostają zamrożone, a nowe adaptery trenuje się osobno. To rozwiązanie łączy korzyści tymczasowych refleksji in-context (które działają szybko) z trwałością dłuższego okresu, tworząc bibliotekę lekcji, którą agent automatycznie wykorzystuje w przyszłości. Podejście to pozwala uniknąć problemu zapominania w limitowanym kontekście oraz zagrożenia przeszkolenia, które mogłoby zakłócić już nabyte umiejętności.
Badania przeprowadzone na modelach Qwen na trzech rodzajach zadań - badaniach open-ended (GAIA), workflows wykorzystujących narzędzia (Claw-Eval) i operacjach w terminalu (Terminal-Bench 2.1) - wykazały wzrost wskaźnika sukcesu o 8,9 do 17 punktów procentowych. Metoda zmniejszyła częstość powtarzanych błędów, prawie podwajając niezawodność w napotkaniu podobnych problemów ponownie.