Hugging Face发布Mara Chain：革新AI系统自动进化方法

摘要：Hugging Face推出了一种名为Mara Chain的AI系统优化方法，通过保留并迭代改进被拒绝的候选配置，显著提升了AI系统的任务性能表现。相较于传统方法，Mara Chain在AppWorld、TerminalBench 2.1和MuSiQue等基准测试中实现了高达20.5%的性能提升，同时减少了65.5%的尝试次数。该技术通过将失败案例转化为优化过程中的关键步骤，避免了重复失败模式，为AI系统的持续进化提供了更高效的技术路径。

---

核心突破

Hugging Face最新发布的Mara Chain技术革新了AI系统的优化流程，通过以下方式实现了性能提升：

• 保留失败案例：与传统方法不同，Mara Chain不会丢弃被拒绝的候选配置，而是将其作为后续优化的基础。
• 迭代改进：利用之前尝试中积累的证据，对被拒绝的候选配置进行迭代改进。
• 固定深度限制：每条优化链被限制在固定深度内，以避免过度复杂化。
• Pareto过滤的Top-N选择：通过Pareto过滤和Top-N选择机制，限制候选池的大小，确保优化过程的效率。

技术亮点

1. 性能提升：在AppWorld、TerminalBench 2.1和MuSiQue等基准测试中，Mara Chain相较于GEPA、ACE和SkillOpt-Lite等传统方法，实现了高达20.5%的性能提升。
2. 减少尝试次数：在AppWorld任务中，Mara Chain以65.5%的尝试次数减少量达到了目标分数，显著提升了效率。
3. 多任务适用性：该技术不仅适用于技能优化，还在终端任务和检索管道优化中表现出色。

行业影响

Mara Chain的发布标志着AI系统优化领域的一个重要进步，特别是在处理复杂任务和大规模数据时。其通过保留失败案例并将其转化为优化机会的策略，为AI系统的持续进化提供了新的思路。这不仅有助于提升AI模型在特定任务中的表现，还为开发者提供了更高效的工具来应对复杂的优化挑战。

开发者建议

• 尝试Mara Chain：对于正在优化AI系统的开发者，建议尝试使用Mara Chain方法，特别是在处理复杂任务和多阶段优化时。
• 关注后续研究：Hugging Face可能会发布更多关于Mara Chain的研究和应用案例，开发者应持续关注以获取最新进展。
• 结合现有工具：Mara Chain可以与现有的优化工具和方法结合使用，以进一步提升AI系统的性能。

---

消息来源：Hugging Face Daily Papers (2026-09-25)

—— 完 ——

主题标签： #Hugging Face 关注 #Mara Chain 关注 #AI优化 关注 #强化学习 关注 #模型改进 关注