論文の概要: From Traces to Agentic Worlds: Agentic Language World Models for Interactive Environment Simulation

• arxiv url: http://arxiv.org/abs/2610.06100v1
• Date: Mon, 05 Oct 2026 10:32:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:42:48.856635
• Title: From Traces to Agentic Worlds: Agentic Language World Models for Interactive Environment Simulation
• Title（参考訳）: トレースからエージェントワールド:対話型環境シミュレーションのためのエージェント言語ワールドモデル
• Abstract要約: 従来のシステムでは利用できないが,過去のインタラクショントレースが引き続きアクセス可能な,学習不要なフレームワークを開発する。 Trace2Envは、これらのトレースを環境スキーマ、根拠となる証拠、行動知識を含む再利用可能な環境ワールドブックに再構築する。 9つの環境において、Trace2Envは次の観測忠実度と長い水平相互作用の整合性の両方を改善している。
• 参考スコア（独自算出の注目度）: 35.002353984816395
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Realistic environment replicas are increasingly valuable for training and evaluating LLM agents, yet the original systems may be inaccessible or impractical to reproduce. We explore agentic language world modeling: rather than rebuilding an executable environment, a world model agent serves as the environment for a task agent and supports faithful and stateful simulation. We instantiate this paradigm with Trace2Env, a learning-free framework for settings where the original system is unavailable but historical interaction traces remain accessible. Trace2Env reconstructs these traces into a reusable environment worldbook containing environment schemas, grounded evidence, and induced behavioral knowledge. At runtime, the world model agent actively consults the worldbook together with persistent episodic state to infer each action's observation and lasting state effects. Across nine environments, Trace2Env improves both next-observation fidelity and long-horizon interaction consistency over conventional prompt-based LWMs. In multi-turn interaction, task agent actions generated against Trace2Env remain valid more often when replayed in the real environment, indicating that its simulated dynamics better preserve the consequences of earlier actions across successive turns. These results establish agentic language world modeling as an alternative direction for building realistic environment replicas without reconstructing the original executable system.
• Abstract（参考訳）: 現実的な環境レプリカは、LSMエージェントの訓練と評価にますます有用であるが、元のシステムはアクセスできないか、再現できない可能性がある。 実行可能な環境を再構築するのではなく、世界モデルエージェントがタスクエージェントの環境として機能し、忠実でステートフルなシミュレーションをサポートする。 このパラダイムをTrace2Envでインスタンス化する。Trace2Envは、オリジナルのシステムが利用できないが、過去のインタラクショントレースが引き続きアクセス可能な、学習不要なフレームワークである。 Trace2Envは、これらのトレースを環境スキーマ、根拠となる証拠、行動知識を含む再利用可能な環境ワールドブックに再構築する。 実行時に、ワールドモデルエージェントは、それぞれのアクションの観察と持続的な状態効果を推測するために、永続的なエピソード状態と共に、ワールドブックを積極的にコンサルティングする。 9つの環境にまたがって、Trace2Envは従来のプロンプトベースのLWMよりも、次の観測忠実度と長い水平相互作用の整合性を改善する。 マルチターンインタラクションでは、Trace2Envに対して生成されたタスクエージェントアクションは、実際の環境でリプレイする場合、より頻繁に有効である。 これらの結果から,エージェント言語ワールド・モデリングが,本来の実行可能システムを再構築することなく,現実的な環境レプリカを構築するための代替手段として確立された。

関連論文リスト

• EnvACE: Internalizing Environment Dynamics via World Rehearsal for Agentic Reinforcement Learning [57.312638079204255]
  長期ツール使用のための大規模言語モデルエージェントの訓練は、通常、実または合成可能な環境との相互作用に依存する。 本研究では,世界リハーサルのトレーニング中に外部環境の相互作用を置き換えるエージェント強化学習手法であるEnvACEを紹介する。
  論文  参考訳（メタデータ） (2026-08-06T15:54:36Z)
• Bridging the Agent-World Gap: Text World Models for LLM-based Agents [83.8237017249529]
  大規模言語モデル(LLM)ベースのエージェントは、インタラクティブなテキスト環境においてますます使われている。 多くは反応が強く、これらの環境がどのように構成され、どのように進化するかの明確なモデルなしで、観察を行動にマッピングする。 テキストワールドモデル(TWMs): 状態と候補アクションが与えられたら、結果のWebページ、端末出力、API応答、ユーザ応答を予測する。 LLMをベースとしたエージェントのテキストワールドモデルについて,形式的なフレームワークとエージェントライフサイクルを中心に整理し,体系的にレビューを行った。
  論文  参考訳（メタデータ） (2026-06-08T04:58:52Z)
• 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)
• Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
  環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。 WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-19T17:33:31Z)
• 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)
• Inter-environmental world modeling for continuous and compositional dynamics [7.01176359680407]
  環境全体にわたってシミュレートする継続的潜在アクション表現を学習する、教師なしのフレームワークであるLie Actionを紹介した。 WLAはビデオフレームのみを用いてトレーニングが可能であり、アクションラベルが最小でも無ければ、新しいアクションセットを持つ新しい環境に迅速に適応できることを実証する。
  論文  参考訳（メタデータ） (2025-03-13T00:02:54Z)

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。