論文の概要: Twin: Playing an Unknown Game with a Test-Time Digital Twin
- arxiv url: http://arxiv.org/abs/2608.14490v1
- Date: Fri, 14 Aug 2026 17:06:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-17 20:14:29.44844
- Title: Twin: Playing an Unknown Game with a Test-Time Digital Twin
- Title（参考訳）: ツイン:テストタイムのデジタルツインで未知のゲームをする
- Abstract要約: 本稿では、フロンティア符号化エージェントが連続学習タスクを完了するための実行可能世界モデルを記述するテスト時世界モデル推論(Twin)システムを提案する。
本システムは,シミュレーションとインタラクションのみから構築する。
ツインは183レベル中179レベル(97.8%)をクリアし、179レベル中158レベル(88.3%)は人間よりも効率的である。
- 参考スコア（独自算出の注目度）: 22.644194631480772
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a Test-time World-model Inference (Twin) system, in which a frontier coding agent writes an executable world model for completing continual learning tasks, such as ARC-AGI-3 games. Traditional approaches hand-engineer such models, one custom design per task. Each game hides its rules and goal, and our system constructs them from simulation and interaction alone. Its inductive prior over grid games is strong enough to recover the true transitions of the game and the goal on nearly all levels. Replay validation happens in a twin world model. The harness enforces that an action is not made until the program reproduces every previous observed game transition. Each mismatch between a world model prediction and the actual action result becomes a counterexample that is used to repair the world model. Twin clears 179 out of 183 levels (97.8%), and does so more efficiently than humans in 158 out of 179 levels (88.3%). The system infers the goal before any reward on 156 of the levels it clears (87.2%), and in the remaining levels automatically discovers the goal by search. The benchmark scores completion and action efficiency, between 0 and 100, against humans playing each game for the first time. Played directly, the base model scores only 7.8%; an off-the-shelf harness increases it to 61.1%, whereas our twin world model increases the same base model to 93.3%, clearing 23 out of 25 games. Building a usable world model is simpler than anticipated, whereas the harder problem is inferring the right goal.
- Abstract（参考訳）: 本研究では,ARC-AGI-3ゲームのような連続的な学習タスクを完了するための,フロンティア符号化エージェントが実行可能な世界モデルを記述するテストタイム・ワールドモデル推論(Twin)システムを提案する。
従来のアプローチは、タスクごとに1つのカスタムデザインである、このようなモデルに手動でアプローチする。
各ゲームはルールとゴールを隠蔽し,シミュレーションとインタラクションのみから構築する。
その誘導的なオーバーグリッドゲームは、ゲームの真の遷移とほぼ全てのレベルにおけるゴールを回復するのに十分な強度を持つ。
リプレイ検証はツインワールドモデルで行われる。
ハーネスは、プログラムが観測されたすべてのゲーム遷移を再生するまで、アクションが実行されないように強制する。
世界モデル予測と実際の行動結果とのミスマッチは、世界モデルを修復するために使用される反例となる。
ツインは183位中179位(97.8%)をクリアし、179位中158位(88.3%)は人間よりも効率的である。
システムは、クリアする156レベルの報酬(87.2%)に先立ってゴールを推測し、残りのレベルでは、検索によってゴールを自動的に発見する。
ベンチマークは、初めて各ゲームでプレイする人間に対して、0から100までの完成度とアクション効率をスコア付けする。
市販のハーネスは61.1%に増加し、ツインワールドモデルは93.3%に増加し、25試合中23試合をクリアした。
使用可能な世界モデルの構築は、予想よりもシンプルですが、難しい問題は、適切な目標を推測することです。
関連論文リスト
- First Make It Playable, Then Make It Good: Staged Interaction Learning for Small Dialogue-Game Agents [5.066450251002448]
対話ゲームインタラクションのための言語モデルQwen-GuidePlay-2Bを提案する。
我々は, A) Playpenのゲームトラジェクトリのみで成功したSFT, b) ターンレベルSFT, c) 教師誘導SFTの3ステップを用いてQwen3.5-2Bを微調整する。
その結果,全軌道の模倣は遊びやすさに寄与し,ターンレベルおよび教師指導の訓練は意思決定を改善し,総合的な得点を高めることが示唆された。
論文 参考訳（メタデータ） (2026-08-27T19:58:06Z) - DiG-bench: Discovery in Games [46.68149875140523]
ディグベンチは70の独立したゲームからなる。
ゲームのレベルは、ルールが発見されたかどうかをテストするための一連の課題を提示します。
70試合は全て、最初の試みで少なくとも1人の人間によって解決された。
論文 参考訳（メタデータ） (2026-08-12T21:06:06Z) - Tycho: Active Abstraction with Programmatic World Models for ARC-AGI-3 [6.41363581085404]
ARC-AGI-3は抽象化をスキル獲得の対話的な問題に変える。
我々はこれらの環境をパラメータ化レンダリング決定論的ムーアマシンとして定式化する。
我々は,インタラクション中にゲーム固有のモデルを構築し,使用するコーディングエージェントシステムであるTychoを紹介する。
論文 参考訳（メタデータ） (2026-07-30T14:34:41Z) - Executable World Models for ARC-AGI-3 in the Era of Coding Agents [0.0]
ARC-AGI-3の初期符号化システムの評価を行った。
このシステムは、スクリプト化されたコントローラ、事前に定義されたワールドモデルインターフェース、検証プログラム、プラン実行器を使用する。
その結果、検証器駆動型実行可能世界モデルがARC-AGI-3エージェントにとって有望なアプローチであることを示す予備的証拠が得られた。
論文 参考訳（メタデータ） (2026-05-06T17:12:36Z) - GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。
2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。
18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
論文 参考訳（メタデータ） (2026-04-08T17:49:03Z) - Wow, wo, val! A Comprehensive Embodied World Model Evaluation Turing Test [62.17144846428715]
我々は、Embodied Turing Testベンチマーク: WoW-World-Eval (Wow,wo,val)を紹介する。
Wow-wo-valは知覚、計画、予測、一般化、実行の5つのコア能力を調べる。
Inverse Dynamic Model Turing Testでは、まずIMMを用いて、実世界におけるビデオ基盤モデルの実行精度を評価する。
論文 参考訳（メタデータ） (2026-01-07T17:50:37Z) - NitroGen: An Open Foundation Model for Generalist Gaming Agents [101.41866522979548]
NitroGenは、ジェネラリストゲームエージェントのためのビジョンアクション基盤モデルである。
1000以上のゲームで4万時間のゲームプレイビデオでトレーニングされている。
論文 参考訳（メタデータ） (2026-01-04T16:24:50Z) - Generation of Games for Opponent Model Differentiation [2.164100958962259]
これまでの結果から,人間の振る舞いをモデル化することで,アルゴリズムの性能が大幅に向上することが示唆された。
本研究では、悪意ある行為を行う可能性を高める人格タイプを特定する心理学者によって収集されたデータを用いる。
私たちはそのパラメータと心理的特徴を結びつける新しいモデルを作成しました。
論文 参考訳（メタデータ） (2023-11-28T13:45:03Z) - CommonsenseQA 2.0: Exposing the Limits of AI through Gamification [126.85096257968414]
現代自然言語理解モデルの能力をテストするベンチマークを構築した。
本研究では,データ構築の枠組みとしてゲーミフィケーションを提案する。
論文 参考訳（メタデータ） (2022-01-14T06:49:15Z) - Mastering Atari with Discrete World Models [61.7688353335468]
本稿では,強力な世界モデルのコンパクトな潜伏空間における予測から純粋に振る舞いを学習する強化学習エージェントであるDreamerV2を紹介する。
DreamerV2は、Atariベンチマークにおいて、個別に訓練された世界モデル内での振る舞いを学習することで、55タスクの人間レベルのパフォーマンスを達成する最初のエージェントである。
論文 参考訳（メタデータ） (2020-10-05T17:52:14Z)
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。