論文の概要: Breaking the Environment Wall: A Unified Framework for Preparing and Evolving Agent-Native Environments

• arxiv url: http://arxiv.org/abs/2609.29773v2
• Date: Sun, 27 Sep 2026 07:45:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 21:31:51.801098
• Title: Breaking the Environment Wall: A Unified Framework for Preparing and Evolving Agent-Native Environments
• Title（参考訳）: 環境の壁を壊す:エージェント依存環境の準備と発展のための統一されたフレームワーク
• Abstract要約: 本稿では,環境とコンテキストに依存した操作を行うシステムであるEnv-Rethinkを紹介する。 コレクションマップ、イベントログを適応的に構築し、環境の根底にあるノイズ問題を特定することを学ぶ。 実験によると、Env-Rethinkは下流タスクのパフォーマンスを効果的に改善できる。
• 参考スコア（独自算出の注目度）: 14.177951970421082
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many real-world tasks (e.g., office workflows, scientific experimentation) require LLM agents to interact repeatedly with their environments for context-dependent operations. However, such environments are often not agent-ready. First, information is often scattered and fragmented across the environment. Second, relevant evidence in the environment is often mixed with misleading information and conflicting versions. Third, environments evolve over time, introducing new noise and more challenging tasks. These challenges can substantially degrade performance for state-of-the-art AI agents (e.g., from 83.9% to 57.6%). To address these challenges, we propose Env-Rethink (a system with 27B post-trained model) that supports three main capabilities: (1) It adaptively builds Collection Maps (for organizing related files) and Event Logs (for contextualizing cross-data relationships) to supplement necessary context; (2) It further leverages the post-trained model (through offline trajectory learning) to identify underlying noise issues in the environment; (3) It ultimately evolves environments through virtual event histories that alter environmental states and evidence relationships, producing more tricky ones for further agent improvement. Experiments show that Env-Rethink can effectively improve downstream task performance (with a 15.1 percentage-point increase in mean rubric pass rate across nine models on 30 tasks).
• Abstract（参考訳）: 多くの実世界のタスク(例えば、オフィスのワークフロー、科学実験)では、LLMエージェントは文脈に依存した操作のために環境と繰り返し対話する必要がある。 しかし、そのような環境はエージェント対応ではないことが多い。 まず、情報はしばしば環境に散らばって断片化されます。 第二に、環境における関連する証拠は、しばしば誤解を招く情報と矛盾するバージョンと混同される。 第3に、環境は時間とともに進化し、新しいノイズとより困難なタスクを導入します。 これらの課題は、最先端のAIエージェント(例えば83.9%から57.6%)のパフォーマンスを著しく低下させる可能性がある。 これらの課題に対処するため,(1)コレクションマップ(関連ファイルの整理)とイベントログ(データ間関係のコンテキスト化)を適応的に構築し,(2)学習後モデル(オフライントラジェクティブ学習)を利用して環境中のノイズ問題を特定し,(3)環境状態とエビデンス関係を変化させる仮想イベントヒストリーを通じて環境を最終的に進化させる,という3つの主要な機能をサポートするEnv-Rethink(27Bポストトレーニングモデル付きシステム)を提案する。 実験の結果、Env-Rethinkはダウンストリームタスクのパフォーマンスを効果的に向上させることができる(30タスクで9つのモデルで平均ルーブリックパス率を15.1ポイント増加させる)。

関連論文リスト

• Can RL Improve Generalization of LLM Agents? An Empirical Study [68.19349692042341]
  Reinforcement Fine-tuning (RFT) は環境フィードバックに基づいてマルチターン意思決定を行うための LLM エージェントの訓練を約束している。 現実世界のデプロイメントでは、エージェントは異なるバックグラウンド知識を持つ見えない環境で動作することができる。 RFTは環境内のタスクの難易度でよく一般化されるが、見えない環境へのより弱い移動を示す。
  論文  参考訳（メタデータ） (2026-03-12T14:54:59Z)
• The World Won't Stay Still: Programmable Evolution for Agent Benchmarks [44.36372545284675]
  LLMベースのエージェントは、環境とのインタラクション、データクエリ、マルチターンプロセスでのツールの呼び出しによって、ユーザの要求を満たす。 既存のベンチマークのほとんどは、固定されたスキーマとツールセットを持つ静的環境を前提としており、現実世界の進化的な性質を無視し、エージェントの環境変化に対する堅牢性を前提としている。 本稿では,環境進化をプログラム可能なグラフベースのフレームワークProEvolveを提案する。
  論文  参考訳（メタデータ） (2026-03-06T04:56:18Z)
• Autonomous Continual Learning of Computer-Use Agents for Environment Adaptation [57.65688895630163]
  ACuRLは自律的なカリキュラム強化学習フレームワークで、エージェントを人間データゼロの特定の環境に継続的に適応させる。 本研究では,環境内学習と環境横断学習の両方を効果的に実現し,既存の環境を忘れずに4～22%の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-02-10T23:06:02Z)
• Agent World Model: Infinity Synthetic Environments for Agentic Reinforcement Learning [62.499592503950026]
  大規模言語モデル(LLM)は、ツールや環境とのマルチターンインタラクションを必要とする複雑なタスクを実行するために、自律エージェントに権限を与えている。 完全合成環境生成パイプラインであるエージェント・ワールド・モデル(AWM)を提案する。 私たちは、エージェントがリッチなツールセットと対話できる、毎日のシナリオをカバーする1,000の環境にスケールします。
  論文  参考訳（メタデータ） (2026-02-10T18:55:41Z)
• Caution for the Environment: Multimodal LLM Agents are Susceptible to Environmental Distractions [50.5976989558411]
  本稿では,GUI環境におけるマルチモーダル大規模言語モデル(MLLM)エージェントの忠実さについて検討する。 ユーザとエージェントの両方が良性であり、環境は悪質ではないが、無関係なコンテンツを含んでいる、という一般的なシナリオが提案されている。 実験結果から、ジェネラリストエージェントや専門的なGUIエージェントなど、最も強力なモデルでさえ、気晴らしの影響を受けやすいことが明らかとなった。
  論文  参考訳（メタデータ） (2024-08-05T15:16:22Z)

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。