Mara Chain es un procedimiento de refinamiento diseñado para mejorar la optimización de sistemas de inteligencia artificial desplegados. A diferencia de los métodos tradicionales que descartan las configuraciones que no cumplen con los criterios de aceptación, Mara Chain retiene estos candidatos para utilizarlos como 'piedras' de escalada. El enfoque se basa en la premisa de que los candidatos rechazados suelen contener información crítica para optimizaciones futuras, evitando así que las propuestas posteriores repitan los mismos modos de fallo.
El sistema funciona iterativamente, refinando los candidatos rechazados utilizando la evidencia acumulada de intentos anteriores. Para controlar la complejidad, limita la profundidad de cada cadena de refinamiento y aplica una selección Top-N filtrada por Pareto para limitar el tamaño del conjunto de candidatos. Esta metodología ha demostrado su eficacia en tres áreas clave: la optimización de habilidades en AppWorld, la optimización de arneses en TerminalBench 2.1 y la optimización de pipelines de recuperación en MuSiQue.
En términos de rendimiento, Mara Chain supera a métodos establecidos como GEPA, ACE y SkillOpt-Lite. En la tarea de AppWorld, logra hasta un 20,5% más de mejora relativa en el rendimiento de la tarea con un 65,5% menos de 'rollouts' (intentos) que GEPA. En TerminalBench 2.1, mejora la tasa de éxito en un 20,2 y 22,5 puntos porcentuales sobre AHE y Meta-Harness, respectivamente. Finalmente, en MuSiQue, mejora las métricas de recuperación (nDCG@10 y Recall@10) en 0,104 y 0,131 sobre un pipeline de recuperación escrito a mano. Estos resultados indican que Mara Chain es una herramienta valiosa para reducir el coste computacional y aumentar la eficiencia en el desarrollo de sistemas de IA.