論文の概要: LongPuzzleBench: Evaluating GUI Agents on Long-Horizon Visual Puzzles

• arxiv url: http://arxiv.org/abs/2609.34769v1
• Date: Mon, 28 Sep 2026 09:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 03:06:18.373252
• Title: LongPuzzleBench: Evaluating GUI Agents on Long-Horizon Visual Puzzles
• Title（参考訳）: LongPuzzleBench:Long-Horizon Visual PuzzlesにおけるGUIエージェントの評価
• Abstract要約: LongBenchは、エージェントが結合された決定の長い連鎖に一貫性を保つかどうかをテストする。 ネイティブGUIアクションによってプレイされる6つのパズルゲームにおいて,LongBenchは114レベルである。 ネイティブGUIアクションだけで、最強のエージェントは、ほとんどの目的を解決しますが、成功は、より難しく、より長いボードに急落します。
• 参考スコア（独自算出の注目度）: 6.3184502566811815
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: GUI agents need long-horizon visual reasoning: they must interpret a changing interface while keeping a multi-step plan viable as earlier actions constrain later ones. Existing benchmarks evaluate grounding, computer use, and game play, but rarely test whether agents stay coherent across long chains of coupled decisions. Long-horizon visual puzzles expose this capability directly: a legal move that looks like progress can make the puzzle unsolvable, and the loss shows only several moves later. We introduce LongPuzzleBench, 114 levels in six puzzle games played through native GUI actions, where one objective can take a human over a thousand actions on persistent boards and dead ends go unannounced. With Native GUI Actions alone, the strongest agents solve most objectives, but success falls sharply on harder, longer boards: seven of ten general-purpose agents solve nothing harder than Medium, and none completes Bolt Unscrew Hard, which a human solves along with every other objective. Code Execution CUA does not close this gap, and its scores mix visual solving with algorithmic search. Controlled diagnostics trace these failures to one limitation that neither rules, state hints, nor failure memory removes: agents judge each move by the visible progress it makes, not by the future options it leaves.
• Abstract（参考訳）: GUIエージェントは、長い水平方向の視覚的推論を必要としている。 既存のベンチマークでは、グラウンドニング、コンピュータ使用、ゲームプレイを評価しているが、エージェントが長い連鎖した意思決定に一貫性を持ち続けるかどうかを検査することは滅多にない。 長い水平方向の視覚パズルは、この能力を直接露呈する: 進歩のように見える法的な動きは、パズルを解決不能にし、損失は後に数回しか現れない。 例えばLongPuzzleBenchは、ネイティブGUIアクションを通じてプレイされるパズルゲームの114のレベルで、1つの目的が永続的なボード上で1000以上のアクションを取ることができ、デッドエンドは未発表である。 ネイティブGUIアクションだけでは、最強のエージェントがほとんどの目的を解決しますが、成功はより難しく、より長いボードに急激に落ちます。 Code Execution CUAは、このギャップを埋めていない。 制御された診断は、これらの障害を、ルールや状態ヒント、障害メモリが削除されないという1つの制限にトレースする。

関連論文リスト

• PuzzleMate: Benchmarking MLLMs for Egocentric Puzzle Assistance [21.60284785247072]
  我々はPuzzleMateを用いて、最先端のMLLMが現在のパズルの状態をどのように認識しているかを評価し、実行可能な次のステップ命令を生成する。 その結果, GPT-5.2 や Gemini-2.5-Pro などの現行モデルでは, 大幅な性能差がみられた。
  論文  参考訳（メタデータ） (2026-09-13T12:29:03Z)
• GameWorld: Towards Standardized and Verifiable Evaluation of Multimodal Game Agents [76.60994803070436]
  GameWorldは、ブラウザ環境におけるマルチモーダル大言語モデル(MLLM)ゲームエージェントの評価のためのベンチマークである。 2つのゲームエージェントインタフェースが研究され、 (i) キーボードとマウスのコントロールを直接出力するコンピュータ利用エージェント、 (ii) セマンティックアクション空間で作用する汎用マルチモーダルエージェントが研究されている。 18組のモデルとインタフェースのペアによる結果は、最高のパフォーマンスエージェントでさえ、ビデオゲームで人間の能力を達成するには程遠いことを示唆している。
  論文  参考訳（メタデータ） (2026-04-08T17:49:03Z)
• FlashAdventure: A Benchmark for GUI Agents Solving Full Story Arcs in Diverse Adventure Games [56.81554611870848]
  我々はFlashAdventureを紹介した。これは、フルストーリーのアーク補完をテストするために設計された、34のFlashベースのアドベンチャーゲームのベンチマークである。 また,ゲームプレイの自動評価装置であるCUA-as-a-Judgeと,長期記憶を利用したエージェントフレームワークであるCOASTを提案する。 実験では、現在のGUIエージェントがフルストーリーのアークに苦しむのに対して、COASTは観察と振る舞いのギャップを埋めることでマイルストーンの完了を改善する。
  論文  参考訳（メタデータ） (2025-09-01T01:33:16Z)
• PuzzleWorld: A Benchmark for Multimodal, Open-Ended Reasoning in Puzzlehunts [47.92619068073141]
  我々は、ステップバイステップ、オープンエンド、クリエイティブマルチモーダル推論を評価するために設計された667のパズルハントスタイルの大規模ベンチマークであるPuzzleWorldを紹介した。 ほとんどの最先端モデルでは最終解の精度は1-2%に過ぎず、最高のモデルではパズルの14%しか解けず、ステップワイズ精度は40%に達する。 誤り解析により,現在のモデルは筋力的推論を示し,言語に基づく推論の限界に悩まされ,視覚的および空間的推論に不可欠なスケッチ能力が欠如していることが判明した。
  論文  参考訳（メタデータ） (2025-06-06T16:17:09Z)
• On Grid Graph Reachability and Puzzle Games [0.0]
  Sokobanのようなパズルゲームの多くは、迷路にエージェントを移動させる。 ゲームの難しさは主に、プッシュ(到達可能な)ボックスのようなオブジェクトに対するアクションの実行に関連している。 本稿では,このような問題を解決するためのCPとSATのアプローチについて検討する。
  論文  参考訳（メタデータ） (2023-10-02T17:41:35Z)
• Solving Witness-type Triangle Puzzles Faster with an Automatically Learned Human-Explainable Predicate [0.29005223064604074]
  We developed a search-based intelligence puzzle solver for The Witness game。 我々は、ウィットネス型パズルへの部分経路が解経路に合成可能でないかどうかを予測する人間の説明可能な述語を学ぶ。 我々は、学習した述語の重要な性質を証明し、それを検索において後継状態の刈り取りに利用できるようにした。
  論文  参考訳（メタデータ） (2023-08-04T18:52:18Z)
• Automated Graph Genetic Algorithm based Puzzle Validation for Faster Game Desig [69.02688684221265]
  本稿では,コンピュータゲームにおける論理パズルを効率的に解くための進化的アルゴリズムを提案する。 制約満足度問題に対するハイブリッド遺伝的アプローチの様々なバリエーションについて論じる。
  論文  参考訳（メタデータ） (2023-02-17T18:15:33Z)
• Video Anomaly Detection by Solving Decoupled Spatio-Temporal Jigsaw Puzzles [67.39567701983357]
  ビデオ異常検出(VAD)はコンピュータビジョンにおいて重要なトピックである。 近年の自己教師型学習の進歩に触発された本論文は,直感的かつ難解なプレテキストタスクを解くことによって,VADに対処する。 提案手法は3つの公開ベンチマークにおいて最先端のベンチマークよりも優れている。
  論文  参考訳（メタデータ） (2022-07-20T19:49:32Z)

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。