論文の概要: Learning Situation-Conditioned Thinking Policies for Long-Term LLM Agents

• arxiv url: http://arxiv.org/abs/2610.09590v1
• Date: Wed, 07 Oct 2026 07:34:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.776873
• Title: Learning Situation-Conditioned Thinking Policies for Long-Term LLM Agents
• Title（参考訳）: 長期LLMエージェントの学習状況を考慮した思考ポリシー
• Abstract要約: 本稿では、歴史的推論を軽量なポリシーに変換する状況条件の思考記憶フレームワークを提案する。 実験により、学習されたポリシーは時間的発見の一般化において1.000 F1を達成することが示された。
• 参考スコア（独自算出の注目度）: 0.11844977816228043
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-running autonomous agents must reuse accumulated reasoning experience without allowing explicit historical memory and LLM context to grow indefinitely. However, existing memory mechanisms mainly retrieve, summarize, or compress past content and do not directly learn when particular kinds of thinking should be activated or discover new thinking knowledge from temporally dispersed experiences. This paper proposes a situation-conditioned thinking memory framework that transforms historical reasoning experience into a lightweight policy for predicting what should be thought about in the current situation, while leaving detailed reasoning to a large language model. Situations may represent temporal or spatiotemporal evolution rather than only current states. Temporary experiences are also periodically analyzed across multiple independent episodes to identify repeated long-range regularities, which are consolidated into new thinking knowledge and further internalized by the lightweight policy. Experiments show that the learned policy achieves 1.000 F1 on temporal-rule generalization, improves DeepSeek reasoning F1 from 0.789 to 0.868, reduces online processing time from 0.3636 ms to 0.0382 ms per query at 30,000 historical situations, and reaches 1.000 relation-discovery F1 and future-thinking accuracy after sufficient repeated cross-experience evidence.
• Abstract（参考訳）: 長期にわたる自律エージェントは、明示的な履歴記憶とLLMコンテキストを無期限に成長させることなく、蓄積した推論経験を再利用しなければならない。 しかし、既存の記憶機構は、主に過去のコンテンツを検索、要約、圧縮し、特定の思考がいつ活性化されるべきかを直接学習したり、時間的に分散した経験から新しい思考知識を発見したりしない。 本稿では,歴史的推論経験を,大規模言語モデルに詳細な推論を残しながら,現在の状況で考えるべきことを予測するための軽量なポリシーに変換する,状況条件付き思考記憶フレームワークを提案する。 状況は、現在の状態だけでなく、時間的または時空間的進化を表すこともある。 一時経験は、複数の独立したエピソードにまたがって定期的に分析され、繰り返される長距離規則を識別し、新たな思考知識に統合され、軽量なポリシーによってさらに内部化される。 実験の結果、この学習方針は時間ルールの一般化において1.000 F1を達成し、DeepSeek推論F1を0.789から0.868に改善し、オンライン処理時間を3万の歴史的状況におけるクエリあたり0.3636msから0.0382msに短縮し、十分な反復的な相互経験証拠の後に1.000の関係発見F1と将来の思考精度に達した。

関連論文リスト

• Beyond the Shadows of Plato's Cave: Evaluating False Memory in Autonomous Agents via Counterfactual Reasoning [90.354889777866]
  我々は,素早い相関関係,環境変化,知識衝突から生じるテクスタイス・メモリを定式化する。 本稿では,反実的推論に基づくエージェント信念の進化を通じて,虚偽記憶を評価する学習自由フレームワークFAMEを提案する。
  論文  参考訳（メタデータ） (2026-09-30T10:35:41Z)
• Remember-R1: Mitigating Long-Context Visual Forgetting through Reinforcement Learning [50.56518447675037]
  MLLM(Multimodal large language model)は、複雑なタスクに対する長い連鎖推論に依存している。 推論シーケンスが長引くにつれて、モデルは徐々に視覚的証拠に頼らず、蓄積されたテキストの文脈に頼り、視覚的忘れを招きかねない。 本稿では,元来の推論軌道に直接プロセスレベルの監督を適用することで,長いコンテキストの視覚的忘れを緩和する強化学習フレームワークであるResert-R1を提案する。
  論文  参考訳（メタデータ） (2026-08-02T15:31:31Z)
• MemHarness: Memory Is Reconstructed, Not Replayed [28.869068760142667]
  本稿では,過去体験を積極的に活用・再構築するためのLLMエージェントを備えたフレームワークであるMemHarnessを提案する。 MemHarnessは純粋なRLと静的メモリ拡張ベースラインを大幅に上回り、アウト・オブ・ディストリビューション(OOD)シナリオで強い堅牢性を示す。
  論文  参考訳（メタデータ） (2026-07-30T14:25:49Z)
• MINTEval: Evaluating Memory under Multi-Target Interference in Long-Horizon Agent Systems [69.06764269022925]
  本研究では,現在の記憶増強剤が現実的,干渉重大,長期的設定において果たす役割について検討する。 MINTEvalは、頻繁に更新される情報を備えた、長く高度に相互接続されたコンテキストを特徴とするベンチマークである。 MINTEvalは128.8kのトークンを平均で1インスタンスあたり1.8Mのトークンに拡張し、15.6kの質問応答ペアを持つ。
  論文  参考訳（メタデータ） (2026-05-18T15:43:35Z)
• STALE: Can LLM Agents Know When Their Memories Are No Longer Valid? [5.361950931863979]
  大規模言語モデル(LLM)エージェントは、コヒーレントで長期的なパーソナライズされたメモリを維持することがますます期待されている。 現在のベンチマークは、主に静的な事実検索を計測し、新しい証拠が現れたときに保存された信念を更新する能力を見下ろしている。 専門家が検証した400の競合シナリオのベンチマークであるSTALEを紹介します。 CUPMemは,構造化状態統合と伝搬認識探索による書き込み時間リビジョンを強化するプロトタイプである。
  論文  参考訳（メタデータ） (2026-05-07T16:31:15Z)
• AdapTime: Enabling Adaptive Temporal Reasoning in Large Language Models [65.97075015662318]
  AdapTimeは適応的な時間的推論手法であり、入力コンテキストに基づいて推論ステップを動的に実行する。 最先端のLCMとシームレスに統合され、外部サポートに頼ることなく、時間的推論能力を大幅に向上する。
  論文  参考訳（メタデータ） (2026-04-27T08:34:40Z)
• Time-R1: Towards Comprehensive Temporal Reasoning in LLMs [12.147540725976462]
  textitTime-R1は,時間的包括的能力を持つ中規模(3B-パラメータ)の大規模言語モデルを実現するフレームワークである。 Time-R1は、最先端の671B DeepSeek-R1を含む200倍以上のモデルで性能が向上している。 この研究は、思慮深く設計されたプログレッシブRL微調整により、より小さく効率的なモデルで時間的性能を向上できるという強い証拠を提供する。
  論文  参考訳（メタデータ） (2025-05-16T13:46:28Z)
• Time-Constrained Robust MDPs [28.641743425443]
  我々は,多因子性,相関性,時間依存障害を考慮した新しい時間制約型ロバストMDP(TC-RMDP)の定式化を導入する。 本研究では、ロバストなRLにおける一般的な仮定を再考し、より実用的で現実的なRLアプリケーションを開発するための新たな道を開く。
  論文  参考訳（メタデータ） (2024-06-12T16:45:09Z)
• Temporal Reasoning on Implicit Events from Distant Supervision [91.20159064951487]
  本稿では,暗黙的事象の理解度を評価する新しい時間的推論データセットを提案する。 我々は、暗黙の出来事と明示的な出来事の間の時間的関係を予測する際に、最先端のモデルが苦労していることを発見した。 本稿では,大規模テキストからの遠隔監視信号を利用して終末時刻を推定する,ニューロシンボリックな時間的推論モデルSYMTIMEを提案する。
  論文  参考訳（メタデータ） (2020-10-24T03:12:27Z)

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。