新模型，旧习惯：多会话 LLM 智能体在模型切换下的行为迁移
New Model, Old Habits: Behavior Transfer under Model Swapping in Multi-Session LLM Agents
精选理由
揭示模型切换时历史记录会传递行为模式，并提出 DASH 摘要方法，帮助多模型智能体保留优质推理习惯。
AI 摘要
arXiv:2610.19712v1 公告类型：新论文 摘要：多会话智能体可以在不同 LLM 之间切换，以平衡性能与推理成本。这种切换需要传递历史记录以保持连续性，但其对接收模型的影响仍缺乏充分研究。通过针对多会话任务的受控实验，我们发现了行为迁移现象：接收模型往往会采纳生成其历史记录的模型所采用的推理与行动模式。这种效应在传递原始历史记录时最为明显，但通过摘要可显著减弱。基于这些发现，我们提出了方向与作者感知的历史记录摘要方法（DASH），在保留较强模型行为的同时，通过摘要尽可能减少从弱模型到强模型的行为迁移。反复切换模型的实验表明，DASH 优于原始历史记录传递和朴素摘要基线。这些结果表明，有效的多模型编排不仅需要考虑使用哪个模型，还需要考虑延续哪些行为模式。