論文の概要: When Successful Strategies Fail: Adaptation to Environmental Novelty in Terminal Agents

• arxiv url: http://arxiv.org/abs/2609.33870v1
• Date: Sun, 27 Sep 2026 19:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 16:05:39.171763
• Title: When Successful Strategies Fail: Adaptation to Environmental Novelty in Terminal Agents
• Title（参考訳）: 成功する戦略が失敗した場合:ターミナルエージェントの環境新奇性への適応
• Abstract要約: LLMエージェントは、環境と自律的に相互作用することで、より長い水平タスクを解決する。 環境のノベルティを通して,この適応能力について検討する。 我々は、軌道関連仮定を抽出し、対象とする環境変化を注入する自動パイプラインAGNIを導入し、その結果の新規タスクが解決可能であることを検証した。
• 参考スコア（独自算出の注目度）: 25.234455147495524
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents increasingly solve long-horizon tasks by autonomously interacting with their environment. In doing so, their strategies rely on assumptions about that environment: which resources and tools exist, where they are located, and how they behave. When these assumptions no longer hold, reliable agents must detect the change and adapt while pursuing the same goal. We study this adaptation capability through environmental novelty: a change that keeps the task objective fixed while invalidating an assumption underlying an otherwise successful trajectory. We introduce AGNI, an automated pipeline that extracts trajectory-relevant assumptions, injects targeted environmental changes, and validates that the resulting novel tasks remain solvable. Across three terminal benchmarks, AGNI produces diverse novelties spanning resources, interfaces, constraints, and execution semantics. Evaluating multiple LLM agents reveals a substantial adaptation gap between base and novel tasks. Trajectory analysis suggests that agents often encounter evidence of the change but fail to diagnose its cause and revise their strategy. Finally, post-training for environmental novelty improves adaptation to held-out novel tasks while also improving performance on base tasks. Our results highlight a gap between task competence and adaptive capability and motivate environmental variation as a core dimension of agent training and evaluation.
• Abstract（参考訳）: LLMエージェントは、環境と自律的に相互作用することで、より長い水平タスクを解決する。 そうすることで、彼らの戦略は、どのようなリソースやツールが存在し、どこに位置し、どのように振る舞うかという、その環境に関する仮定に依存します。 これらの仮定が守られなくなった場合、信頼できるエージェントは変化を検出し、同じ目標を追求しながら適応しなければなりません。 この適応能力は, 環境の新規性を通じて研究され, 作業目標を一定に保ちつつ, その他の成功軌道の前提となる仮定を無効にする変化である。 我々は、軌道関連仮定を抽出し、対象とする環境変化を注入する自動パイプラインAGNIを導入し、その結果の新規タスクが解決可能であることを検証した。 3つの端末ベンチマークで、AGNIはリソース、インターフェース、制約、実行セマンティクスにまたがる多様なノベルティを生成する。 複数のLDMエージェントを評価すると、ベースと新規タスクの間に大きな適応ギャップがあることが分かる。 軌道分析は、エージェントがしばしば変化の証拠に遭遇するが、原因を診断し、戦略を改訂することができないことを示唆している。 最後に, 環境の新規性に関するポストトレーニングにより, 新規タスクへの適応性が向上し, ベースタスクの性能が向上する。 本研究は,タスク能力と適応能力のギャップを浮き彫りにして,エージェントトレーニングと評価のコアディメンションとして環境変動を動機づけるものである。

関連論文リスト

• Evolving in the Agent Jungle via History-Informed Opponent Awareness [12.282686233879012]
  OASEは、動的マルチエージェント環境で真に有益なスキルリビジョンを特定し、採用する。 我々はOASEを2つの意思決定シナリオで評価する: 第一価格オークションと民間のCournotコンペティション。
  論文  参考訳（メタデータ） (2026-08-03T10:06:23Z)
• 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)
• From Task Solving to Robust Real-World Adaptation in LLM Agents [17.122224644097304]
  大規模言語モデルは、拡張された地平線上での計画、呼び出し、アクションを行う特別なエージェントとして、ますます多くデプロイされている。 グリッド型ゲームにおけるエージェントLLMを、単純なゴールだが長距離実行でベンチマークする。 名目上のタスク解決と,デプロイメントのような堅牢性の間には,大きなギャップがあります。
  論文  参考訳（メタデータ） (2026-02-02T20:10:40Z)
• What Do LLM Agents Know About Their World? Task2Quiz: A Paradigm for Studying Environment Understanding [50.35012849818872]
  大規模言語モデル(LLM)エージェントは、複雑な意思決定やツール使用タスクにおいて顕著な能力を示した。 本研究では,タスク実行と世界状態理解の分離を目的とした決定論的かつ自動評価パラダイムであるTask-to-Quiz(T2Q)を提案する。 実験の結果,タスク成功は環境理解の指標として不十分な場合が多く,現在の記憶機構はエージェントが環境の基底モデルを取得するのに有効ではないことが明らかとなった。
  論文  参考訳（メタデータ） (2026-01-14T14:09:11Z)
• Grounded Test-Time Adaptation for LLM Agents [75.62784644919803]
  大規模言語モデル(LLM)ベースのエージェントは、新規で複雑な環境への一般化に苦慮している。 環境特化情報を活用することで, LLMエージェントを適応するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2025-11-06T22:24:35Z)
• Towards Generalizable Reinforcement Learning via Causality-Guided Self-Adaptive Representations [22.6449779859417]
  汎用インテリジェンスには、タスク間の迅速な適応が必要です。 本稿では,分布だけでなく,環境空間も変化するシナリオを幅広く検討する。 我々はCSRと呼ばれる因果性誘導型自己適応表現に基づく手法を導入し、エージェントを効果的に一般化させる。
  論文  参考訳（メタデータ） (2024-07-30T08:48:49Z)
• A Behavior-Aware Approach for Deep Reinforcement Learning in Non-stationary Environments without Known Change Points [30.077746056549678]
  本研究では,環境変化検出と行動適応を融合させる革新的なフレームワークである行動認識検出適応(BADA)を紹介する。 我々の手法の背後にある重要なインスピレーションは、ポリシーが環境の変化に異なるグローバルな振る舞いを示すことである。 一連の実験の結果は、現在のアルゴリズムと比較して優れた性能を示している。
  論文  参考訳（メタデータ） (2024-05-23T06:17:26Z)
• HAZARD Challenge: Embodied Decision Making in Dynamically Changing Environments [93.94020724735199]
  HAZARDは、火災、洪水、風などの3つの予期せぬ災害シナリオで構成されている。 このベンチマークにより、さまざまなパイプラインで自律エージェントの意思決定能力を評価することができる。
  論文  参考訳（メタデータ） (2024-01-23T18:59:43Z)
• Ecological Reinforcement Learning [76.9893572776141]
  このような条件下での学習を容易にする環境特性について検討する。 環境の特性が強化学習エージェントのパフォーマンスにどのように影響するかを理解することは、学習を魅力的にする方法でタスクを構造化するのに役立ちます。
  論文  参考訳（メタデータ） (2020-06-22T17:55:03Z)
• Meta Reinforcement Learning with Autonomous Inference of Subtask Dependencies [57.27944046925876]
  本稿では,タスクがサブタスクグラフによって特徴づけられるような,新しい数発のRL問題を提案し,対処する。 メタ政治を直接学習する代わりに、Subtask Graph Inferenceを使ったメタラーナーを開発した。 実験の結果,2つのグリッドワールド領域とStarCraft II環境において,提案手法が潜在タスクパラメータを正確に推定できることが確認された。
  論文  参考訳（メタデータ） (2020-01-01T17:34:00Z)

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。