Az Apple SCLATE rendszere hónapnyi ügynöki munkát órákra sűrít
Az Apple bemutatta a SCLATE nevű végrehajtási réteget, amely a folyamatos tanulásra képes AI-ügynökök képzését és értékelését támogatja. A rendszer egy hónapnyi szimulált forgatókönyvet órák alatt futtathatóvá tesz, miközben változatlanul hagyja az ügynökök vezérlő- és memóriarendszerét.
- A SCLATE közös eseményütemezőt biztosít benchmarkok és ügynökök számára.
- A rendszer egy hónapnyi forgatókönyvet órák alatt futtathatóvá sűríthet.
- Hét benchmarkot, tíz modellt és tíz ügynöki konfigurációt hasonlítottak össze.
- A Qwen3.5-4B 6,8-szor kevesebb fájlsort olvasott, SWE-bench Verified eredménye 16,7 ponttal nőtt.
- A MetaClaw teszten a pontosság legfeljebb 11,8 ponttal emelkedett.
Közös ütemező a hosszú munkamenetekhez
Az Apple kutatása szerint a folyamatos tanulásra képes ügynökök modellekből, vezérlőrétegekből és memóriából álló rendszerek, amelyek több munkameneten át működnek. Értékelésük és tanításuk során a feladatok mellett az ügynök oldalán bekövetkező eseményeket is kezelni kell, például a munkamenetek leállítását és újraindítását, az időzített feladatokat, valamint a memória tömörítését.
A vállalat szerint a meglévő tesztkörnyezetek és tanítási keretrendszerek jellemzően csak a benchmark saját eseményeit ütemezik. Emiatt minden benchmark és ügynök párosához egyedi ütemezési ciklust kell kialakítani. A 2026 szeptemberében publikált SCLATE ezt egy közös, nyílt eseményütemezővel kezeli. A benchmarkok és a változtatás nélkül használt ügynökök adaptereken keresztül adják hozzá saját eseményeiket ugyanahhoz az ütemezőhöz.
Szimulált idő és részletes naplózás
A SCLATE hibrid szimulált órát használ. Az események az ügynök működése közben valós időben haladnak, az üres időszakokat viszont a rendszer átugorja. Az Apple leírása szerint ez egy hónapig tartó forgatókönyvet órákra tud sűríteni.
A rendszer futtatómotorként is használható: bármely ügynök vezérlőrétegét és memóriáját módosítás nélkül képes futtatni. Egy konténeren belüli közvetítőn keresztül rögzíti minden modellhívás tokenjeit és logaritmikus valószínűségeit. Ez lehetővé teszi a különböző ügynöki összeállítások és modellek részletesebb összehasonlítását.
A kutatók hét benchmarkot ültettek át a SCLATE-re, majd tíz modellen, tíz változtatás nélkül használt vezérlő- és memóriakonfigurációt vetettek össze egymással. Az eredmények alapján egy hozzáadott memóriarendszer nem győzi le megbízhatóan a vezérlőréteg beépített memóriáját. Az is jelentősen eltért, hogy a modellek ugyanazt a vezérlő- és memóriarendszert hogyan használták.
Tanítás után kevesebb fájlolvasás, jobb eredmények
A kutatók a Qwen3.5-4B modellt változtatás nélkül használt vezérlő- és memóriarendszereken keresztül tanították tovább. A modell megtanulta mindkettő használatát, miközben 6,8-szor kevesebb fájlsort olvasott el. A SWE-bench Verified feladatsoron elért teljesítménye 16,7 százalékponttal nőtt, és a rendszer gazdagabb memória-bejegyzéseket írt.
A külön tartott MetaClaw teszten a pontosság legfeljebb 11,8 százalékponttal emelkedett. Az Apple kutatása így azt mutatja be, hogy a közös eseményütemezés és a részletes modellhívás-naplózás a hosszú, több munkamenetes ügynöki folyamatok tanítását és összehasonlítását is segítheti.
A SCLATE-ről szóló tanulmány az Apple gépi tanulási kutatási oldalán jelent meg 2026 szeptemberében. A bemutatott eredmények alapján a felhasználók számára a legközvetlenebb jelentőség az lehet, hogy az ügynökök tanításához és értékeléséhez kevesebb időre lehet szükség olyan forgatókönyvekben, amelyekben a munkamenetek, az időzített események és a memória működése is számít.
