論文の概要: Schema: Discovering Unknown Environments via Agentic Program Induction

• arxiv url: http://arxiv.org/abs/2609.39140v1
• Date: Wed, 30 Sep 2026 07:08:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.341325
• Title: Schema: Discovering Unknown Environments via Agentic Program Induction
• Title（参考訳）: Schema: エージェントプログラム誘導による未知の環境の発見
• Abstract要約: ARC-AGI-3 RHAEは、対話型プログラム誘導を通じて学習と行動を編成する。 ARC-AGI-3 RHAEを58.7%から99.2%に引き上げる。 MazeBenchではトップ50の人間選手の中央値に到達している。
• 参考スコア（独自算出の注目度）: 41.62627591055102
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning to complete tasks in unfamiliar environments with unknown rules remains a key challenge for LLM agents. Current LLM agents often record their discoveries in prose, which may not provide a compact, explicit account of how the environment works. Inspired by how scientists organize observations into testable, predictive theories, we introduce Schema, an agent harness that organizes learning and action through interactive program induction. The LLM agent decides what to investigate and how to act, expressing its evolving understanding of the environment as executable programs. The harness consists of a persistent program workspace and a small set of interfaces for checking these programs against the interaction history, planning within them, and executing plans under step-by-step verification. Schema raises ARC-AGI-3 RHAE from 58.7% to 99.2% with the same base model, solves 100% of the public DiG-bench games, and reaches the median performance of the top-50 human players on MazeBench. Extensive analysis shows the effectiveness of Schema in unknown mechanism discovery, and ablations confirm the contribution of each component.
• Abstract（参考訳）: 未知のルールで不慣れな環境でタスクを完了することを学ぶことは、LLMエージェントにとって重要な課題である。 現在のLLMエージェントは、しばしばその発見を散文で記録するが、環境がどのように動作するかのコンパクトで明示的な説明は得られない。 科学者が観察を検証可能で予測可能な理論に整理する方法に触発されて、インタラクティブなプログラム誘導を通じて学習と行動を組織するエージェントハーネスであるSchemaを紹介した。 LLMエージェントは、環境の進化的理解を実行可能なプログラムとして表現し、何を調査し、どのように振る舞うかを決定する。 ハーネスは、永続的なプログラムワークスペースと、これらのプログラムをインタラクション履歴に対してチェックし、内部を計画し、ステップバイステップで検証する計画を実行するための小さなインターフェースから構成される。 SchemaはARC-AGI-3 RHAEを58.7%から99.2%に引き上げ、パブリックなDGベンチゲームの100%を解決し、MazeBenchで上位50人の人間選手の中央値に到達した。 拡張解析は、未知のメカニズム発見におけるSchemaの有効性を示し、各コンポーネントの寄与を確認する。

関連論文リスト

• Embodied Instruction Following in Unknown Environments [64.57388036567461]
  未知環境における複雑なタスクに対するEIF(Embodied instruction following)法を提案する。 我々は,ハイレベルなタスクプランナと低レベルな探索コントローラを含む,階層的な具体化命令に従うフレームワークを構築した。 タスクプランナに対しては、タスク完了プロセスと既知の視覚的手がかりに基づいて、人間の目標達成のための実行可能なステップバイステッププランを生成する。
  論文  参考訳（メタデータ） (2024-06-17T17:55:40Z)
• KnowAgent: Knowledge-Augmented Planning for LLM-Based Agents [52.34892973785117]
  大規模言語モデル(LLM)は複雑な推論タスクにおいて大きな可能性を証明していますが、より高度な課題に取り組むには不十分です。 この不適切さは、主に言語エージェントのアクション知識が組み込まれていないことに起因する。 我々は、明示的な行動知識を取り入れることで、LLMの計画能力を高めるために設計された新しいアプローチであるKnowAgentを紹介する。
  論文  参考訳（メタデータ） (2024-03-05T16:39:12Z)
• Language Agent Tree Search Unifies Reasoning Acting and Planning in Language Models [31.509994889286183]
  我々はLanguage Agent Tree Search (LATS)を紹介した。Language Agent Tree Search (LATS)は、推論、行動、計画において言語モデル(LM)の能力を相乗化する最初の一般的なフレームワークである。 当社のアプローチの重要な特徴は、より意図的で適応的な問題解決メカニズムを提供する外部フィードバック環境の導入である。 LATSは、GPT-4でHumanEval上でプログラミングするための最先端パス@1精度(92.7%)を達成し、GPTによるWebShop上のWebナビゲーションの勾配ベースの微調整に匹敵する勾配なし性能(平均スコア75.9)を示す。
  論文  参考訳（メタデータ） (2023-10-06T17:55:11Z)

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。