論文の概要: RS-Claw-Evolution: Environment-Feedback-Driven Evolution for Lightweight Remote Sensing Agents in Long-Horizon Tasks
- arxiv url: http://arxiv.org/abs/2609.22258v1
- Date: Sun, 06 Sep 2026 10:16:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.80877
- Title: RS-Claw-Evolution: Environment-Feedback-Driven Evolution for Lightweight Remote Sensing Agents in Long-Horizon Tasks
- Title（参考訳）: RS-Claw-Evolution:Long-Horizon Tasksにおける軽量リモートセンシングエージェントの環境フィードバック駆動進化
- Abstract要約: RS-Claw-Evolutionは、環境フィードバック駆動のフレームワークで、3段階を通して徐々に軽量エージェントを改善している。
Earth-Benchでは、最適化されたQwen3-4Bベースのエージェントが自動計画モードで65.9%の精度を達成する。
これらの結果は,環境フィードバックからの学習が軽量エージェントを向上し,長期RSタスクにおけるより大きなモデルと性能ギャップを狭めることを示す。
- 参考スコア（独自算出の注目度）: 10.334862329594293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model-driven remote sensing (RS) agents offer a promising approach to automating geospatial analysis. However, lightweight RS agents based on compact language models struggle with multi-step interactive tasks due to loss of long-horizon states, inefficient environmental feedback utilization, and sparse optimization signals. We propose RS-Claw-Evolution, an environment-feedback-driven framework that progressively improves lightweight agents through three stages. Interaction evolution uses executable code to control observations, maintain intermediate states, and reduce context redundancy. Experience evolution combines failure-aware trajectory generation with error-turn masking to learn from informative failure-recovery experiences without imitating faulty actions. Decision evolution uses reinforcement learning with multi-dimensional environment rewards and turn-level advantage protection to optimize tool-use behaviors and improve credit assignment in long sequences. On Earth-Bench, the optimized Qwen3-4B-based agent achieves 65.9% accuracy in Autonomous Planning mode, outperforming the untrained Qwen3-32B baseline (43.8%) and DeepSeek-V3.1 (60.8%), while approaching GPT-5 (71.6%). These results demonstrate that learning from environmental feedback can improve lightweight agents and narrow their performance gap with larger models in long-horizon RS tasks.
- Abstract（参考訳）: 大規模言語モデル駆動型リモートセンシング(RS)エージェントは地理空間分析の自動化に有望なアプローチを提供する。
しかし, コンパクト言語モデルに基づく軽量RSエージェントは, 長い水平状態の喪失, 環境フィードバックの非効率利用, スパース最適化信号により, 多段階の対話的タスクに苦慮している。
環境フィードバック駆動型フレームワークであるRS-Claw-Evolutionを提案する。
相互作用の進化は、観測の制御、中間状態の維持、コンテキスト冗長性の低減に実行可能なコードを使用する。
経験的進化は、失敗を意識した軌道生成とエラーターンマスクを組み合わせることで、失敗を再現することなく、情報的に失敗を回復する経験から学ぶ。
意思決定進化は,多次元環境報酬を用いた強化学習とターンレベルの優位性保護を用いて,ツール使用行動の最適化と長期的クレジット割り当ての改善を行う。
Earth-Benchでは、最適化されたQwen3-4Bベースのエージェントが65.9%の精度で自律計画モードを実現し、トレーニングされていないQwen3-32Bベースライン(43.8%)とDeepSeek-V3.1(60.8%)を上回り、GPT-5(71.6%)に近づいた。
これらの結果は,環境フィードバックからの学習が軽量エージェントを向上し,長期RSタスクにおけるより大きなモデルと性能ギャップを狭めることを示す。
関連論文リスト
- Environment Evolution for Terminal Agents [15.907942366553302]
対話的で検証可能な環境のスケーリングは、端末エージェントのトレーニングに不可欠である。
最近の共進化法は、モデルの学習可能なフロンティア付近の環境を反復的に合成する。
本稿では,環境の難易度を段階的に向上させる環境進化を提案する。
論文 参考訳（メタデータ） (2026-09-03T17:26:33Z) - EvoCUA-1.5: Online Reinforcement Learning for Multi-turn Computer-Use Agents [37.78845989345579]
EvoCUA-1.5は、オフライン体験からオンライン強化学習まで、自己進化するコンピュータ利用エージェントを拡張している。
この設定でのオンラインRLは、シングルターン言語-RLレシピを直接再利用する以上のものを必要とします。
論文 参考訳（メタデータ） (2026-07-07T16:36:25Z) - Agent Reinforcement Learning via Pivotal-Aware Self-Feedback Retry [14.02751159295063]
本稿では,大規模言語モデル (LLM) エージェントにおける経験的活用のための自己フィードバック再試行フレームワークであるPivoARLを提案する。
PivoARLは、構造的反射によるピボットの誤った回転を識別し、対応するピボット状態からのみ局所的な再試行を行う。
PivoARLはすべてのタスクでPass@2/3の大幅な改善を実現しており、MetaRLよりも平均11.5%向上している。
論文 参考訳（メタデータ） (2026-07-04T04:45:05Z) - Controllable and Verifiable Tool-Use Data Synthesis for Agentic Reinforcement Learning [82.89535601592739]
マルチレベル検証を用いた自己進化型合成により,信頼性の高い基本ツール利用軌跡を生成する2段階パイプラインを提案する。
これらの拡張は、トラクタツール、間接的または曖昧なユーザクエリ、ノイズ、マルチフォーマット、あるいは誤ったツール出力を導入します。
本設計では,標準事例に対する参照マッチングによる報酬の自動計算と,エラー検出などの特別な動作に対する軽量な判断支援検証を実現する。
論文 参考訳（メタデータ） (2026-04-10T18:38:52Z) - Beyond Imitation: Reinforcement Learning Fine-Tuning for Adaptive Diffusion Navigation Policies [31.52910494173408]
拡散に基づくロボットナビゲーションポリシーは、ロボットの視覚的観察から直接マルチモーダルな軌道を生成することができる。
拡散型ナビゲーションに適した強化学習フレームワークを提案する。
提案手法は, 衝突頻度を低減しつつ, 52.0%から58.7%, SPLを0.49から0.54に改善する。
論文 参考訳（メタデータ） (2026-03-13T10:14:32Z) - RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。
実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
論文 参考訳（メタデータ） (2026-03-09T16:23:33Z) - Sample-Efficient Online Learning in LM Agents via Hindsight Trajectory Rewriting [92.57796055887995]
本稿では,言語モデルエージェントの強化学習から後視体験のリプレイに適応するプロンプトフレームワークECHOを紹介する。
ECHOは失敗した試みで達成できた代替目標のために最適化された軌道を生成する。
我々は、テキストベースのナビゲーションと計画ベンチマークであるXMiniGridのステートフルバージョンと、協調的な情報収集企業シミュレーションであるPeopleJoinQAについて、ECHOを評価した。
論文 参考訳（メタデータ） (2025-10-11T18:11:09Z) - ReVeal: Self-Evolving Code Agents via Reliable Self-Verification [11.875519107421312]
自己検証とツールベースの評価を通じてコード生成を進化させる強化学習フレームワークであるReVealを紹介する。
推論において、この強化された自己検証により、3つしかトレーニングされていないLiveCodeBenchでは、自己構築されたテストとツールフィードバックを使用して、20ターン以上のコードを継続的に進化させることができる。
これらの調査結果は、RLトレーニングとテストタイムスケーリングのためのスケーラブルなパラダイムとしてのReVealの約束を強調し、より堅牢で自律的なAIエージェントへの道を開いた。
論文 参考訳（メタデータ） (2025-06-13T03:41:04Z) - DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。
符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。
我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
論文 参考訳（メタデータ） (2025-03-18T14:02:59Z) - Inception Convolution with Efficient Dilation Search [121.41030859447487]
拡散畳み込みは、効果的な受容場を制御し、オブジェクトの大規模な分散を処理するための標準的な畳み込みニューラルネットワークの重要な変異体である。
そこで我々は,異なる軸,チャネル,層間の独立な拡散を有する拡張畳み込みの新たな変異体,すなわち開始(拡張)畳み込みを提案する。
本稿では,データに複雑なインセプション・コンボリューションを適合させる実用的な手法を探索し,統計的最適化に基づく簡易かつ効果的な拡張探索アルゴリズム(EDO)を開発した。
論文 参考訳（メタデータ） (2020-12-25T14:58:35Z)
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。