論文の概要: SIMLIFE: Pattern Understanding for Long-Horizon Human-Agent Partnership

• arxiv url: http://arxiv.org/abs/2609.19610v1
• Date: Thu, 17 Sep 2026 02:43:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.072239
• Title: SIMLIFE: Pattern Understanding for Long-Horizon Human-Agent Partnership
• Title（参考訳）: SIMLIFE: 長距離ヒューマンエージェント連携のためのパターン理解
• Abstract要約: SimLifeは、リッチな視覚的観察、地味なアクションログ、オーディオとの合成対話によって、長期の家庭生活をシミュレートするためのスケーラブルなプラットフォームである。 SimLife上に構築されたSimLife-BPは、数週間から数ヶ月の日々の観察から潜伏する行動規則を推測する能力を評価する。
• 参考スコア（独自算出の注目度）: 45.378288203885695
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Understanding humans over long horizons requires agents to infer not only what people need in the moment, but also how routines form, why they repeat, and when they change. We introduce SimLife, a scalable platform for simulating long-term household life with rich visual observations, ground-truth action logs, and synthetic dialogues with audio. Built on SimLife, SimLife-BP evaluates long-context pattern understanding: the ability to infer latent behavioral rules from weeks or months of everyday observations. The benchmark contains 106 episodes averaging 15.49 hours and 38.57 in-game days, and 1,439 question-answer pairs. Each task probes direct, counterfactual, noisy, and inverse reasoning under different levels of rule hints. Evaluating frontier models and architectures, we find that current models often achieve surface-level prediction without comprehensive rule understanding, rely on frequency-based heuristics rather than if-then reasoning over evidence, and struggle to adapt when behavioral patterns change. These findings suggest that long-context pattern understanding remains a major bottleneck for future embodied agents, while SimLife opens a broader space for studying memory, personalization, adaptation, and long-horizon planning in everyday human-AI interaction.
• Abstract（参考訳）: 長い地平線上で人間を理解するためには、エージェントは、今何が必要なのかだけでなく、いかにルーチンが形成され、なぜそれが繰り返され、いつ変化するかを推測する必要がある。 シムライフ(SimLife)は、視覚的リッチな観察、地味なアクションログ、音声との合成対話により、長期の家庭生活をシミュレートするスケーラブルなプラットフォームである。 SimLife上に構築されたSimLife-BPは、長期間のコンテキストパターンの理解を評価している。 このベンチマークでは、平均15.49時間38.57日間のエピソードが106回、質問応答ペアが1,439回含まれている。 各タスクは、異なるレベルのルールヒントの下で直接的、反事実的、騒々しく、逆推論を探索する。 フロンティアモデルとアーキテクチャを評価すると、現在のモデルは、包括的なルール理解なしに表面レベルの予測を達成し、証拠に対するif-then推論よりも周波数ベースのヒューリスティックに依存し、行動パターンの変化に適応するのに苦労していることが分かる。 以上の結果から,SimLifeは記憶,パーソナライゼーション,適応,長期計画など,日常の人間とAIのインタラクションにおいて,より広い空間をオープンする一方で,長期コンテキストのパターン理解が将来的なエージェントにとって大きなボトルネックとなっていることが示唆された。

関連論文リスト

• Beyond Episodic Evaluation: Memory Architectural Bottlenecks in Sequential Embodied Question Answering [93.80043825360514]
  EQA(Embodied Question answering)は、伝統的にエピソードの定式化の下で評価され、エージェントは各タスクを独立して解決し、エピソード間の内部状態をリセットする。 EQAエージェントを逐次評価する際に異なるメモリアーキテクチャがどのように振る舞うかを検討する。 既存のメモリを単純に保存することは、しばしば不十分である。 連続したシーン表現の視覚的意味的証拠を3次元幾何学にマッピングするアーキテクチャについて, 構造的, 空間的基盤的記憶の必要性を強調した。
  論文  参考訳（メタデータ） (2026-07-23T17:50:45Z)
• LifeSentence: Language models can encode human life course trajectories from longitudinal panel data [3.665697585894509]
  LifeSentenceは、縦パネルデータで大きな言語モデルをブリッジするライフコース推論のモデルである。 ドイツ社会経済パネルから約65,000人の個人を訓練した。
  論文  参考訳（メタデータ） (2026-05-14T20:28:41Z)
• LifeSim: Long-Horizon User Life Simulator for Personalized Assistant Evaluation [63.37419733369833]
  LifeSimはユーザ認識をBDI(Belief-Desire-Intention)モデルでモデル化するユーザシミュレータである。 LifeSim-Evalは8つの生命ドメインと1200の多様なシナリオをカバーし、モデルの能力を評価するためにマルチターンインタラクティブメソッドを採用している。
  論文  参考訳（メタデータ） (2026-03-12T16:49:34Z)
• Game-Time: Evaluating Temporal Dynamics in Spoken Language Models [93.844257719952]
  時間的能力を評価するためにGame-Time Benchmarkフレームワークを導入します。 多様なSLMモデルについて評価した結果,性能の相違が明らかとなった。 GameTime Benchmarkは、より時間的に認識された会話型AIに向けた将来の研究を導くための基盤を提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:23:39Z)
• If an LLM Were a Character, Would It Know Its Own Story? Evaluating Lifelong Learning in LLMs [55.8331366739144]
  大規模言語モデル(LLM)における生涯学習評価のためのベンチマークであるLIFESTATE-BENCHを紹介する。 我々の事実チェック評価は、パラメトリックと非パラメトリックの両方のアプローチで、モデルの自己認識、エピソードメモリ検索、関係追跡を探索する。
  論文  参考訳（メタデータ） (2025-03-30T16:50:57Z)
• MARPLE: A Benchmark for Long-Horizon Inference [15.489629501373122]
  マルチモーダルエビデンスを用いた長距離推論能力評価のためのベンチマークであるMARPLEを紹介する。 古典的なフードユニットのストーリーにインスパイアされた私たちは、AIモデルと人間の参加者に、実際に何が起きたかをステップバイステップで再現することで、どのエージェントが環境の変化を引き起こしたかを推測するように依頼します。
  論文  参考訳（メタデータ） (2024-10-02T18:20:51Z)
• Time Awareness in Large Language Models: Benchmarking Fact Recall Across Time [0.0]
  現実のシナリオでは、回答の正しさはしばしば時間的文脈に結びついている。 2018年から2024年にかけて8000以上のイベントにまたがる新しいフレームワークとデータセットを提示します。 私たちの仕事は、タイムアウェアな言語モデルを進めるための重要なステップを提供します。
  論文  参考訳（メタデータ） (2024-09-20T08:57:20Z)
• Learning signatures of decision making from many individuals playing the same game [54.33783158658077]
  我々は、個人の「行動スタイル」を符号化する表現を学習する予測フレームワークを設計する。 我々は,3本腕のバンディットタスクを行う1,000人の人間による大規模行動データセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-02-21T21:41:53Z)

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。