論文の概要: Experience Transfer for Multimodal LLM Agents in Minecraft Game

• arxiv url: http://arxiv.org/abs/2604.05533v1
• Date: Tue, 07 Apr 2026 07:32:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.690398
• Title: Experience Transfer for Multimodal LLM Agents in Minecraft Game
• Title（参考訳）: MinecraftゲームにおけるマルチモーダルLLMエージェントの経験伝達
• Authors: Chenghao Li, Jun Liu, Songbo Zhang, Huadong Jian, Hao Ni, Lik-Hang Lee, Sung-Ho Bae, Guoqing Wang, Yang Yang, Chaoning Zhang,
• Abstract要約: マルチモーダルLLMエージェントは、新しいタスクを効率的に解決するために、過去の経験を継続的に再利用する必要がある。 エージェントが事前のインタラクションから行動可能な知識を導出することを可能にする、転送指向メモリフレームワークであるEchoを提案する。 Minecraftの実験では、オフスクラッチ学習環境では、Echoはオブジェクトアンロックタスクにおいて1.3倍から1.7倍のスピードアップを達成する。
• 参考スコア（独自算出の注目度）: 30.768906982143935
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal LLM agents operating in complex game environments must continually reuse past experience to solve new tasks efficiently. In this work, we propose Echo, a transfer-oriented memory framework that enables agents to derive actionable knowledge from prior interactions rather than treating memory as a passive repository of static records. To make transfer explicit, Echo decomposes reusable knowledge into five dimensions: structure, attribute, process, function, and interaction. This formulation allows the agent to identify recurring patterns shared across different tasks and infer what prior experience remains applicable in new situations. Building on this formulation, Echo leverages In-Context Analogy Learning (ICAL) to retrieve relevant experiences and adapt them to unseen tasks through contextual examples. Experiments in Minecraft show that, under a from-scratch learning setting, Echo achieves a 1.3x to 1.7x speed-up on object-unlocking tasks. Moreover, Echo exhibits a burst-like chain-unlocking phenomenon, rapidly unlocking multiple similar items within a short time interval after acquiring transferable experience. These results suggest that experience transfer is a promising direction for improving the efficiency and adaptability of multimodal LLM agents in complex interactive environments.
• Abstract（参考訳）: 複雑なゲーム環境で動作しているマルチモーダルLLMエージェントは、新しいタスクを効率的に解決するために、過去の経験を継続的に再利用する必要がある。 本研究では,静的レコードの受動的レポジトリとしてメモリを扱うのではなく,エージェントが事前のインタラクションから行動可能な知識を引き出すことを可能にする,転送指向メモリフレームワークであるEchoを提案する。 転送を明確にするために、Echoは再利用可能な知識を、構造、属性、プロセス、機能、相互作用の5つの次元に分解する。 この定式化により、エージェントは異なるタスク間で共有される繰り返しパターンを識別し、新しい状況においてどのような経験が適用可能なのかを推測することができる。 この定式化に基づいて、EchoはIn-Context Analogy Learning(ICAL)を活用して、関連する経験を検索し、コンテキストの例を通して見えないタスクに適応する。 Minecraftの実験では、オフスクラッチ学習環境では、Echoはオブジェクトアンロックタスクにおいて1.3倍から1.7倍のスピードアップを達成する。 さらに、Echoはバーストのようなチェーンアンロック現象を示し、転送可能な経験を得た後、短時間で複数の類似アイテムを迅速にアンロックする。 これらの結果から,複合対話環境におけるマルチモーダル LLM エージェントの効率性と適応性向上には,体験伝達が有望な方向であることが示唆された。

関連論文リスト

• Experiential Reflective Learning for Self-Improving LLM Agents [1.1074589887824053]
  実験的反射学習(ERL:Experiential Reflective Learning)は,迅速な環境適応を実現するシンプルな自己改善フレームワークである。 ERLはタスクの軌跡と成果を反映して、タスク間で伝達される実行可能なレッスンを生成する。 ERLはReActベースラインよりも成功率を7.8%向上させ、タスク完了の信頼性を大きく向上させる。
  論文  参考訳（メタデータ） (2026-03-25T11:43:22Z)
• ReasoningBank: Scaling Agent Self-Evolving with Reasoning Memory [57.517214479414726]
  ReasoningBankは、エージェントの自己判断の成功と失敗の経験から一般化可能な推論戦略を抽出するメモリフレームワークである。 テスト時には、エージェントがReasoningBankから関連する記憶を取得してそのインタラクションを知らせ、新しい学習を統合することで、時間が経つにつれてより有能になる。 本稿では,エージェントのインタラクションエクスペリエンスをスケールアップすることにより,学習プロセスの高速化と多様化を図るメモリ対応テストタイムスケーリング(MaTTS)を提案する。
  論文  参考訳（メタデータ） (2025-09-29T17:51:03Z)
• Building Self-Evolving Agents via Experience-Driven Lifelong Learning: A Framework and Benchmark [57.59000694149105]
  本稿では、自己進化エージェントを構築するためのフレームワークである、経験駆動型生涯学習(ELL)を紹介する。 ELLは、Experience Exploration、Long-term Memory、Skill Learning、Knowledge Internalizationの4つのコア原則に基づいて構築されている。 また、学生の総合的な大学旅行をシミュレートするELLのベンチマークデータセットであるStuLifeを紹介した。
  論文  参考訳（メタデータ） (2025-08-26T13:04:28Z)
• Synergistic Multi-Agent Framework with Trajectory Learning for Knowledge-Intensive Tasks [44.42989163847349]
  大規模言語モデル(LLM)は、様々な自然言語処理タスクにおいて大きなブレークスルーをもたらした。 知識集約的なシナリオにおいて、現実的に一貫した応答を生成することは、依然として課題である。 本稿では,LSM生成応答の解釈可能性と現実的一貫性を高めるために,外部知識を活用する新しいマルチエージェントフレームワークSMARTを紹介する。
  論文  参考訳（メタデータ） (2024-07-13T13:58:24Z)
• Experiential Co-Learning of Software-Developing Agents [83.34027623428096]
  大規模言語モデル(LLM)は、特にソフトウェア開発において、様々な領域に大きな変化をもたらした。 本稿では,新しいLLM学習フレームワークであるExperiential Co-Learningを紹介する。 実験では、このフレームワークにより、エージェントは、目に見えないソフトウェア開発タスクをより効果的に対処できることを示した。
  論文  参考訳（メタデータ） (2023-12-28T13:50:42Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。