論文の概要: SimSkill: A Self-Evolving LLM Agent for Skill and Knowledge Accumulation in Traffic Simulation
- arxiv url: http://arxiv.org/abs/2609.03753v2
- Date: Thu, 10 Sep 2026 04:03:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 19:20:15.673847
- Title: SimSkill: A Self-Evolving LLM Agent for Skill and Knowledge Accumulation in Traffic Simulation
- Title（参考訳）: SimSkill: 交通シミュレーションにおけるスキルと知識蓄積のための自己進化型LLMエージェント
- Abstract要約: 累積的な文化は、人間が経験や世代にわたって知識とスキルを保存し、再利用し、拡張することを可能にする。
都市運動シミュレーション(SUMO)の交通シミュレータを中心に構築された自己進化型エージェントである textitSimSkill を紹介する。
SimSkillは、継続的に能力ギャップを特定し、環境に根ざしたタスクを生成し、解決し、アクションクリティカルループを通じてソリューションを検証する。
- 参考スコア（独自算出の注目度）: 9.969873227231963
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cumulative culture enables humans to preserve, reuse, and extend knowledge and skills across experiences and generations. Inspired by this principle, we introduce \textit{SimSkill}, a self-evolving agent built around the Simulation of Urban MObility (SUMO) traffic simulator. SimSkill continually identifies capability gaps, generates and solves environment-grounded tasks, verifies solutions through an action--critic loop, and consolidates experience into episodic, procedural, and semantic memory. Through autonomous exploration, it builds a library of reusable skills and knowledge spanning major stages of the traffic-simulation workflow. We evaluate SimSkill on two held-out benchmarks across three backbone LLMs, with each result independently verified. It improves verified success by up to 25 percentage points, and ablations show complementary contributions from procedural and semantic memory. Its benefits remain backbone- and budget-dependent, as memory does not improve every model or uniformly reduce inference cost. More broadly, SimSkill illustrates a natural-language-centered design paradigm for LLM-based agent systems. Its high-level control logic, operating principles, and accumulated knowledge are expressed in natural language, while an LLM integrates them with executable tools and code to realize precise and reproducible execution. All code and experimental data are publicly available at https://github.com/qiliuchn/SimSkill-V1.
- Abstract（参考訳）: 累積的な文化は、人間が経験や世代にわたって知識とスキルを保存し、再利用し、拡張することを可能にする。
この原理に着想を得て,都市移動シミュレーション(SUMO)の交通シミュレータを中心に構築された自己進化型エージェントである「textit{SimSkill}」を紹介した。
SimSkillは、継続的に能力ギャップを特定し、環境に根ざしたタスクを生成し、解決し、アクションクリティカルループを通じてソリューションを検証する。
自律的な探索を通じて、交通シミュレーションワークフローの大きなステージにまたがる再利用可能なスキルと知識のライブラリを構築する。
SimSkill を3つのバックボーン LLM のホールドアウトベンチマークで評価し,それぞれ独立に検証した。
検証成功率を最大25ポイント向上させ、手続き記憶と意味記憶の相補的な寄与を示す。
メモリはすべてのモデルを改善したり、推論コストを均一に削減したりしないため、そのメリットはバックボーンと予算に依存している。
より広範に、SimSkillはLLMベースのエージェントシステムのための自然言語中心の設計パラダイムを説明している。
高レベルの制御ロジック、操作原理、蓄積された知識は自然言語で表現され、LLMはそれらを実行可能なツールやコードと統合し、正確で再現可能な実行を実現する。
すべてのコードと実験データはhttps://github.com/qiliuchn/SimSkill-V1.comで公開されている。
関連論文リスト
- Simthesizer: An Agent-Driven Simulation Framework for LLM Serving Systems [10.265484416904352]
エージェント駆動型シミュレータ開発を実現するフレームワークであるSimthesizerを提案する。
Simthesizerは、完全なサービスワークフローを均一に表現する構成可能なシミュレータインフラストラクチャを導入している。
同一のワークロードでは、Simthesizerは2つの最先端シミュレータよりも最大284.96xと23.19x高速をシミュレートする。
論文 参考訳（メタデータ） (2026-08-25T14:58:26Z) - Mind the Sim2Real Gap in User Simulation for Agentic Tasks [101.69142591891234]
ユーザシミュレーションにおけるSim2Realのギャップを形式化し、実際の人間に対して$$$-benchプロトコルを実行する最初の研究を示す。
LLMシミュレータは過度に協調的であり、スタイリスティックに均一であり、現実的なフラストレーションや曖昧さを欠いている。
これらの知見は, LLMベースのユーザシミュレータをエージェント開発サイクルで使用する際の人間による検証の重要性を強調した。
論文 参考訳（メタデータ） (2026-03-11T19:12:31Z) - Individual Turing Test: A Case Study of LLM-based Simulation Using Longitudinal Personal Data [54.145424717168794]
大きな言語モデル(LLM)は、目覚ましい人間のような能力を示しているが、特定の個人を複製する能力は未発見のままである。
本稿では,10年以上にわたるプライベートメッセージ履歴のボランティア配信アーカイブを用いて,LSMに基づく個人シミュレーションのケーススタディを提案する。
本研究は,ボランティアの知人が,最も有望な多候補プール内の応答を正確に識別できるかどうかを評価するための「個別チューリングテスト」を提案する。
論文 参考訳（メタデータ） (2026-03-01T21:46:27Z) - SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。
現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。
シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
論文 参考訳（メタデータ） (2025-10-20T13:14:38Z) - SimuGen: Multi-modal Agentic Framework for Constructing Block Diagram-Based Simulation Models [1.0287010722745598]
SimuGenは視覚的なSimulinkダイアグラムとドメイン知識の両方を活用することで、正確なSimulinkシミュレーションコードを自動的に生成するフレームワークである。
ソースコードはhttps://github.com/renxinxing123/SimuGen_beta.comで公開されています。
論文 参考訳（メタデータ） (2025-05-28T00:35:43Z) - YuLan-OneSim: Towards the Next Generation of Social Simulator with Large Language Models [50.35333054932747]
本稿では,YuLan-OneSimというソーシャルシミュレータを紹介する。
ユーザは、シミュレータとの自然言語インタラクションを通じて、シミュレーションシナリオを記述し、洗練することができます。
我々は、経済学、社会学、政治、心理学、組織、人口統計学、法律、コミュニケーションを含む8つの領域にまたがる50のデフォルトシミュレーションシナリオを実装した。
論文 参考訳（メタデータ） (2025-05-12T14:05:17Z) - MemSim: A Bayesian Simulator for Evaluating Memory of LLM-based Personal Assistants [64.41695570145673]
生成したユーザメッセージから信頼性の高い質問や回答(QA)を自動的に構築するベイズシミュレータであるMemSimを提案する。
MemSimに基づいて、MemDailyという名前の日常生活シナリオのデータセットを生成し、我々のアプローチの有効性を評価するための広範な実験を行う。
論文 参考訳（メタデータ） (2024-09-30T10:19:04Z) - Code Simulation Challenges for Large Language Models [6.970495767499435]
この研究は、LLM(Large Language Models)がいかにコーディングやアルゴリズムのタスクをシミュレートできるかを研究する。
我々は、直線プログラムのベンチマーク、クリティカルパスを含むコード、近似命令および冗長命令を導入する。
本稿では,コンパイラのパターンを行/フォローすることで,LLMにコード実行行をシミュレートするように指示する,OFFプロンプト手法であるChain of Simulation(CoSm)を提案する。
論文 参考訳（メタデータ） (2024-01-17T09:23:59Z) - User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。
実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
論文 参考訳（メタデータ） (2023-06-05T02:58:35Z) - Reactive Long Horizon Task Execution via Visual Skill and Precondition
Models [59.76233967614774]
シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。
シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
論文 参考訳（メタデータ） (2020-11-17T15:24:01Z)
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。