論文の概要: Memento 3: Model-Based Recursive Self-Improvement through Reflective Rulebooks

• arxiv url: http://arxiv.org/abs/2610.11794v1
• Date: Thu, 08 Oct 2026 12:06:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.015392
• Title: Memento 3: Model-Based Recursive Self-Improvement through Reflective Rulebooks
• Title（参考訳）: Memento 3: リフレクティブルールブックによるモデルベースの再帰的自己改善
• Abstract要約: 我々は,凍結LDMエージェントが連続的に明示的な世界モデルを学習できるようにするため,Mementoシリーズ上に構築されたMemento 3を紹介する。 エージェントは、自然に特定されたルールブックを永続的なセマンティックメモリとして保持し、環境力学に関する修正可能な仮説を記録する。 ARC-AGI-3では、25のパブリックゲームの全てのレベルをクリアし、平均的人間行動効率(RHAE)を100.0で達成し、人間のアクションカウントの44%を使用する。
• 参考スコア（独自算出の注目度）: 46.15008004302353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning to act in unfamiliar environments requires agents to infer how the world works and revise that understanding as new evidence arrives. Yet limited observations can support multiple world models that explain past interactions but predict different outcomes in unseen states. We introduce Memento 3, building on the Memento series to enable frozen LLM agents to continually learn explicit world models through external memory. The agent maintains a natural-language rulebook as persistent semantic memory, recording revisable hypotheses about environment dynamics while leaving unknown aspects underspecified. It compiles this rulebook into executable code for prediction and planning. Through a continual loop of observation, reflection, rule revision, compilation, and verification, the agent uses prediction errors to refine both the rulebook and its code. Updated code is accepted only when the LLM judges it faithful to the rulebook and cell-exact replay reproduces the observed transitions. We investigate this process as a model-based route to recursive self-improvement (RSI): the agent autonomously explores the environment, revises its world model, and uses verified updates to guide subsequent interaction and learning, while the underlying LLM remains fixed. A population extension maintains multiple world models in parallel, sharing interaction evidence and using their predictions to guide exploration. On ARC-AGI-3, the single-model agent clears every level of all 25 public games, achieves a mean Relative Human Action Efficiency (RHAE) of 100.0, and uses 44% of the human action count. In an Atari Pong case study, a learned feedback controller wins 21:0 in each of three evaluated episodes with different openings, without further LLM calls.
• Abstract（参考訳）: 不慣れな環境で行動するためには、エージェントが世界がどのように機能するかを推測し、新しい証拠が到着するとその理解を改める必要がある。 しかし、限られた観測は過去の相互作用を説明する複数の世界モデルをサポートすることができるが、目に見えない状態で異なる結果を予測することができる。 我々は,凍ったLCMエージェントが外部メモリを通じて明示的な世界モデルを継続的に学習できるように,Mementoシリーズ上に構築したMemento 3を紹介する。 エージェントは、自然言語のルールブックを永続的なセマンティックメモリとして保持し、未知の側面を未特定のまま残しながら、環境力学に関する修正可能な仮説を記録する。 予測と計画のためにこのルールブックを実行可能なコードにコンパイルする。 観察、リフレクション、ルールリビジョン、コンパイル、検証の連続ループを通じて、エージェントは予測エラーを使用してルールブックとコードの両方を洗練する。 更新されたコードは、LCMがルールブックに忠実であると判断し、セル・エクサクティヴ・リプレイが観察された遷移を再現するときにのみ受け入れられる。 再帰的自己改善(RSI:recursive self-improvement)のためのモデルベースの経路として,エージェントが自律的に環境を探索し,世界モデルを改訂し,検証された更新を用いてその後のインタラクションと学習をガイドし,基礎となるLLMは固定されている。 人口拡大は複数の世界モデルを並行して維持し、相互作用の証拠を共有し、その予測を使って探索をガイドする。 ARC-AGI-3では、25のパブリックゲームの全てのレベルをクリアし、平均的人間行動効率(RHAE)を100.0で達成し、人間のアクションカウントの44%を使用する。 Atari Pongのケーススタディでは、学習されたフィードバックコントローラが、異なるオープニングを持つ3つの評価エピソードのそれぞれに21:0で勝利する。

関連論文リスト

• AgentGarten: Code Worlds for Evolving Agents [55.8166547330292]
  AgentGartenは、シミュレータとゲームエンジンを結合してリアルタイムのインタラクティブ環境を構築するフレームワークである。 我々の実証的研究は、従来の強化学習と比較すると、わずか4ラウンドで学習するエージェントが数百万に対して、学習効率はかなり向上していることを示している。
  論文  参考訳（メタデータ） (2026-10-08T17:32:00Z)
• Self-Improving AI Coding Agents Through Accumulated Behavioral Rules: A Closed-Loop Framework [0.3867363075280543]
  提案するクローズドループフレームワークでは,すべてのレビューコメントを永続的な行動規則として符号化する。 このフレームワークは、バージョン管理された命令ファイル、自己レビューチェックリスト、自動検証に設定された蓄積ルールを組み合わせる。 我々のフレームワークは、重み付けの更新なしに永続的なクロスセッション学習を実現し、既存のベンチマークが測定しない経験的な次元(時間とともに振る舞いの整合性)に対処する。
  論文  参考訳（メタデータ） (2026-07-13T21:13:46Z)
• Self-Evolving World Models for LLM Agent Planning [72.99782619992361]
  我々はWorldEvolverを紹介した。WorldEvolverは、ダウンストリームエージェントとすべてのモデルパラメータを凍結したまま、デプロイメント時間コンテキストを更新する自己進化型ワールドモデルフレームワークである。 WorldEvolverは3つのバックボーンで最高の予測精度を達成し、下流エージェントの成功率で他のワールドモデルベースラインを導く。
  論文  参考訳（メタデータ） (2026-06-29T17:58:43Z)
• ProPlay: Procedural World Models for Self-Evolving LLM Agents [37.23144834399938]
  本稿では,プロシージャレベルのプリプレイをサポートするプロシージャ世界モデルであるProPlayを紹介する。 ProPlayは、強力なベースラインよりも環境理解と自己進化能力が一貫して向上していることを示す。
  論文  参考訳（メタデータ） (2026-06-11T00:47:37Z)
• How Much LLM Does a Self-Revising Agent Actually Need? [0.14323566945483496]
  我々は,エージェントの状態,信頼信号,保護された動作,仮説的遷移を検査可能なランタイム構造に外部化する,宣言された反射型ランタイムプロトコルを導入する。 54ゲームで4つの段階的に構造化されたエージェントを用いて,ノイズの多い協調戦闘艦上での評価を行った。
  論文  参考訳（メタデータ） (2026-04-08T16:02:04Z)
• If an LLM Were a Character, Would It Know Its Own Story? Evaluating Lifelong Learning in LLMs [55.8331366739144]
  大規模言語モデル(LLM)における生涯学習評価のためのベンチマークであるLIFESTATE-BENCHを紹介する。 我々の事実チェック評価は、パラメトリックと非パラメトリックの両方のアプローチで、モデルの自己認識、エピソードメモリ検索、関係追跡を探索する。
  論文  参考訳（メタデータ） (2025-03-30T16:50:57Z)
• Unseen from Seen: Rewriting Observation-Instruction Using Foundation Models for Augmenting Vision-Language Navigation [63.54377402784965]
  視覚言語ナビゲーション(VLN)のためのリライト駆動型AugMentation(RAM)パラダイムを提案する。 書き換え機構から, シミュレータフリー, 省力両面において, 新たな観察・指導ペアを得ることができた。 離散環境(R2R,REVERIE,R4Rデータセット)と連続環境(R2R-CEデータセット)の両方における実験は,本手法の優れた性能と優れた一般化能力を示している。
  論文  参考訳（メタデータ） (2025-03-23T13:18:17Z)

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。