論文の概要: WISE: A Long-Horizon Agent in Minecraft with Why-Which Reasoning

• arxiv url: http://arxiv.org/abs/2606.12852v1
• Date: Thu, 11 Jun 2026 03:35:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.562062
• Title: WISE: A Long-Horizon Agent in Minecraft with Why-Which Reasoning
• Title（参考訳）: WISE:マインクラフトのロングホライズンエージェント
• Authors: Renmin Cheng, Changhao Chen,
• Abstract要約: 本稿では,Causal Event Graph を備えた低レベルコントローラを備えた長時間水平エージェントフレームワーク WISE を提案する。 WISEは、観察とタスク関連性をリンクする明確な因果構造でエピソード記憶を増強する。 実験により、WISEは長時間のスパースタスクにおけるタスクの成功と効率を大幅に改善することが示された。
• 参考スコア（独自算出の注目度）: 6.545488752368577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid advances have been made in developing general-purpose embodied agent in environments like Minecraft through the adoption of LLM-augmented hierarchical approaches. Despite their promise, low-level controllers often become performance bottlenecks due to repeated execution failures. We argue that a key limitation is not only the lack of episodic memory, but also the decoupling of \textit{what-where-when} memory from \textit{which-why} reasoning. To address this, we propose \textbf{WISE} (Which-Why Informed Semantic Explorer), a long-horizon agent framework with an enhanced low-level controller equipped with a Causal Event Graph that augments episodic memory with explicit causal structure linking observations to task relevance. Unlike prior work such as MrSteve, which relies on feature similarity for retrieval, WISE enables robust recall under viewpoint changes and supports opportunistic task reordering through causal reasoning. Building on this memory, we propose an Opportunistic Task Scheduler that dynamically re-prioritizes subtasks when causally relevant opportunities are detected. We further equip WISE with a multi-scale progressive exploration strategy to provide spatially comprehensive observations for downstream reasoning. Experiments show that WISE largely improves task success and efficiency on long-horizon sparse tasks, particularly in settings requiring adaptive decision-making.
• Abstract（参考訳）: LLMの強化された階層的アプローチを採用することで、Minecraftのような環境で汎用的なエンボディエージェントの開発が急速に進められている。 その約束にもかかわらず、低レベルのコントローラは、繰り返し実行の失敗のために、しばしばパフォーマンスのボトルネックになる。 重要な制限は、エピソードメモリの欠如だけでなく、 \textit{what-where-when} メモリを \textit{which-why} 推論から切り離すことでもある、と我々は主張する。 そこで本稿では,因果的メモリを明示的な因果的構造で拡張したCausal Event Graphを備えた低レベルコントローラを備えた長期水平エージェントフレームワークである「textbf{WISE} (Which-Why Informed Semantic Explorer)」を提案する。 検索に機能的類似性に依存するMrSteveのような以前の作業とは異なり、WISEは視点変化の下で堅牢なリコールを可能にし、因果推論による機会論的タスクリオーダをサポートする。 このメモリ上に構築されたOpportunistic Task Schedulerは,因果関係の機会が検出された場合に,サブタスクを動的に優先順位付けする。 我々はさらに、下流推論のための空間的包括的な観察を提供するために、WISEにマルチスケールのプログレッシブ・エクスポーテーション・ストラテジー・ストラテジーを装備する。 実験により、WISEは、特に適応的な意思決定を必要とする設定において、長時間のスパースタスクにおけるタスクの成功と効率を大幅に改善することが示された。

関連論文リスト

• Organize then Retrieve: Hierarchical Memory Navigation for Efficient Agents [29.28371047415946]
  HORMAは、大規模な言語モデルのための階層的なオーガナイズ・アンド・レトリーブメモリエージェントである。 ワーキングメモリを構造化メモリ構築とナビゲーションベースの検索の2つのステージに分割する。 優れた効率性とパフォーマンスのトレードオフを一貫して達成し、目に見えないタスクに効果的に一般化する。
  論文  参考訳（メタデータ） (2026-06-10T05:49:14Z)
• SAM: State-Adaptive Memory for Long-Horizon Reasoning Agent [51.274445160155864]
  ロングホライゾンのエージェント推論は、思考、ツールコール、観察、部分的な結論を含む長い相互作用履歴を通して行動するために大きな言語モデルを必要とする。 既存のアプローチでは、インタラクション履歴の切り抜き、短いサロゲートに圧縮、あるいは再利用のために選択した部分を取得することで、この問題に対処している。 我々は、インテント駆動リコールのための生のトラジェクトリページを保持しながら、継続的なインタラクションをコンパクトなメモリキューに統合するスタンドアロンフレームワークであるState-Adaptive Memoryを提案する。
  論文  参考訳（メタデータ） (2026-05-23T08:37:16Z)
• Structurally Aligned Subtask-Level Memory for Software Engineering Agents [15.239652771593663]
  大規模言語モデル(LLM)は、自律ソフトウェア工学(SWE)エージェントとして大きな可能性を示している。 最近の研究は、これらのエージェントを長期的推論をサポートするメモリ機構で強化することを検討した。 本稿では,メモリの記憶,検索,更新をエージェントの機能的分解と整合させる構造アライメントされたサブタスク・レベルメモリを提案する。
  論文  参考訳（メタデータ） (2026-02-25T06:13:25Z)
• INHerit-SG: Incremental Hierarchical Semantic Scene Graphs with RAG-Style Retrieval [32.38739911399099]
  INHerit-SGは、複雑な環境で解釈可能な人間の意図的推論をサポートするセマンティックなシーングラフである。 イベントトリガーマップ更新メカニズムは、意味のあるセマンティックイベントが発生した場合にのみグラフを再編成する。 この明示的な解釈可能性により、複雑な検索の成功率と信頼性が向上し、システムはより広範なヒューマンインタラクションタスクに適応できる。
  論文  参考訳（メタデータ） (2026-02-13T14:45:55Z)
• AgentLongBench: A Controllable Long Benchmark For Long-Contexts Agents via Environment Rollouts [78.33143446024485]
  我々は、横方向思考パズルに基づく環境ロールアウトによるエージェントの評価を行うtextbfAgentLongBenchを紹介した。 このフレームワークは、知識集約的で知識のないシナリオにまたがる厳密な相互作用の軌跡を生成する。
  論文  参考訳（メタデータ） (2026-01-28T16:05:44Z)
• AMA: Adaptive Memory via Multi-Agent Collaboration [54.490349689939166]
  複数の粒度にまたがるメモリ管理に協調エージェントを活用する新しいフレームワークであるAMA(Adaptive Memory via Multi-Agent Collaboration)を提案する。 AMAは、ステート・オブ・ザ・アートのベースラインを著しく上回り、トークンの消費をフルコンテキストの手法と比べて約80%削減する。
  論文  参考訳（メタデータ） (2026-01-28T08:09:49Z)
• Beyond Fact Retrieval: Episodic Memory for RAG with Generative Semantic Workspaces [5.110309385104824]
  大きな言語モデル(LLM)は、長いコンテキスト推論において根本的な課題に直面します。 現在のソリューションでは、エピソードイベントを通じてエンティティを追跡するのに必要な、時空間で記述された物語表現を構築することができない。 我々は,ニューロインスパイアされた生成記憶フレームワークである textbf Generative Semantic Workspace (GSW) を提案する。
  論文  参考訳（メタデータ） (2025-11-10T19:59:34Z)

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。