# PORA låter LLM-agenter avgöra när de ska resonera längre

> Den nya metoden PORA lär språkmodellagenter att välja kort eller lång resonering utifrån beräkningsbudgeten och den förväntade nyttan. Den kan halvera beräkningsåtgången.

Oossa · 2026-10-21 · https://oossa.com/sv/pora-lets-llm-agents-decide-when-to-think-longer

Forskare under ledning av Qi Zhang har presenterat PORA, en teknik för LLM-agenter som lär sig när längre resonemang förbättrar resultaten. Under träningen utför systemet samma steg två gånger – först med en kort och sedan med en längre gräns för resonemanget – för att se vilket alternativ som ger bäst slutresultat. När systemet används väljer en styrenhet det billigare alternativet utifrån den inlärda uppskattningen och den återstående beräkningsbudgeten, utan att köra båda. Tester på uppgifter inom minne, kod, detaljhandel och matematik visade upp till 32.9% högre poäng på ett minnesbenchmark och upp till 31% färre modellförfrågningar på matematikuppgifter.

## Fakta

- Artikeln publicerades på arXiv den 2026-10-21
- På minnesbenchmarken BFCL presterar PORA 17.4–32.9 procentenheter bättre än det tidigare bästa resultatet

## Varför det spelar roll

Metoden gör det möjligt för utvecklare att skapa smartare AI-agenter som använder mindre molnberäkningskraft utan att prestationen försämras. Det sänker kostnaderna för tjänster som bygger på resonemang i flera steg.

## Källor och referenser

1. [PORA: Learning When More Reasoning Pays Off for LLM Agents](https://arxiv.org/abs/2610.27119) – arXiv, 2026-10-21

Senast uppdaterad: 2026-10-21