論文の概要: EvoBelief: Falsifiable World Models for Self-Improving LLM Agents

• arxiv url: http://arxiv.org/abs/2610.12789v1
• Date: Thu, 08 Oct 2026 22:46:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.311112
• Title: EvoBelief: Falsifiable World Models for Self-Improving LLM Agents
• Title（参考訳）: EvoBelief:自己改善型LLMエージェントのためのFalsibility World Model
• Abstract要約: EvoBeliefは、環境知識を偽りの仮説として表現する自己進化的世界モデルである。 EvoBeliefはタスクのパフォーマンスを改善し、学習したルールをタスク間で再利用する。
• 参考スコア（独自算出の注目度）: 19.677148338768784
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-evolving LLM agents typically improve how they act through accumulated experience, reflection, or skills. Yet even procedurally capable agents can fail when their beliefs about environment dynamics are incomplete, incorrect, or outdated. We study a complementary axis of self-evolution: evolving those beliefs during deployment. Such beliefs can support multiple tasks, but incorrect ones can also propagate across them. We introduce EvoBelief, a self-evolving world model that represents environment knowledge as falsifiable hypotheses. Unexpected outcomes and decision-relevant unknowns trigger hypothesis formation. Later observations and controlled experiments provide independent validation before a rule can guide predictions or plans within its supported scope. Counterexamples narrow or retire rules as the environment changes. The language model remains frozen, and each rule remains linked to its evidence and the decisions it changes. Across four benchmarks spanning static dynamics, hidden drift, and scientific discovery, EvoBelief improves task performance and reuses learned rules across tasks. On ALFWorld without actor-side transition memory, it improves success over the matched Frozen World Model by 23.9% and 31.3% with Claude Haiku 4.5 and GPT-5.4, respectively. On MiniGrid, it revises stale rules and recovers after unannounced dynamics changes. In DiscoveryWorld's Reactor Lab, it discovers and validates quantitative laws, completing 83.3% of Normal-tier and 58.3% of Challenge-tier instances, versus 0% for each evaluated baseline. These results demonstrate self-improvement through testable, revisable environment knowledge rather than model-parameter updates.
• Abstract（参考訳）: 自己進化型LLMエージェントは一般的に、蓄積した経験、反射、スキルを通じてそれらがどのように振る舞うかを改善する。 しかし、プロシージャ的に有能なエージェントでさえ、環境力学に関する信念が不完全、不正確、または時代遅れであるときに失敗する可能性がある。 我々は、自己進化の相補的な軸について研究する。 このような信念は複数のタスクをサポートすることができるが、誤ったものもまたそれらの間に伝播する。 本稿では,環境知識を虚偽の仮説として表現する自己進化型世界モデルであるEvoBeliefを紹介する。 予期せぬ結果と決定に関連する未知が仮説形成を引き起こす。 後続の観察と制御された実験は、ルールがサポートする範囲内で予測や計画を導く前に、独立した検証を提供する。 環境の変化にともなって、制限されたり、廃止されたりする。 言語モデルは凍結し続け、それぞれのルールは、その証拠とそれが変化する決定と結びついている。 静的ダイナミクス、隠れドリフト、科学的発見にまたがる4つのベンチマークで、EvoBeliefはタスクのパフォーマンスを改善し、タスク全体で学習されたルールを再使用する。 アクター側のトランジション・メモリを持たないALFWorldでは、クロード・ハイク4.5とGPT-5.4でマッチしたフリーズン・ワールド・モデルよりも23.9%、31.3%向上した。 MiniGridでは、古いルールを改訂し、発表されていない動的変更後にリカバリする。 DiscoveryWorldのReactor Labでは、標準レベルの83.3%、チャレンジレベルの58.3%を完了し、定量的な法則を発見し、検証している。 これらの結果は、モデルパラメータ更新よりも、テスト可能な、修正可能な環境知識による自己改善を示す。

関連論文リスト

• Memento 3: Model-Based Recursive Self-Improvement through Reflective Rulebooks [46.15008004302353]
  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。
  論文  参考訳（メタデータ） (2026-10-08T12:06:54Z)
• What Should World Models Forget? Stratified Retention for Continual Adaptation [50.195237138805886]
  連続学習は、予め見てきたデータの劣化を失敗の証拠として扱い、定常的な予測対象の設定から継承される慣例である。 世界モデルはこの条件を満たさない。 彼らの予測対象は環境であり、それが変化するので、取得時に正確であった知識は後に誤りになり、欠陥ではなく必要な振る舞いを破棄する。
  論文  参考訳（メタデータ） (2026-10-02T17:58:14Z)
• Ask the World Before Acting: Environment Probing for Calibrated Agent World Models [2.571318992830046]
  長い地平線に作用する言語エージェントは、ツール状態、オブジェクト位置、グラフエッジ、サブゴール依存関係に関する信念を維持する必要がある。 我々は、構造化エージェントワールドモデルのための予算決定問題として環境探索を定式化する。 EnvProbeは、タスククリティカル性、安定化性、言語化された不確実性、依存性の役割を組み合わせた単純なスコアリングポリシーです。
  論文  参考訳（メタデータ） (2026-06-30T09:45:49Z)
• 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)
• ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
  ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。 それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。 評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
  論文  参考訳（メタデータ） (2026-04-05T17:55:23Z)
• Evolution without an Oracle: Driving Effective Evolution with LLM Judges [29.470273035077984]
  プロブレム仕様」を通じて主観的評価の固有のノイズをテーパーするフレームワークであるMADEを紹介する。 MADEは、ソフトウェア要件の満足度を50%以上向上させます。 この研究は、"計算可能なメトリクス"の最適化から"説明可能な品質"への移行という、基本的なパラダイムシフトを検証する。
  論文  参考訳（メタデータ） (2025-11-23T08:20:01Z)
• Doubly Adaptive Social Learning [46.77451785465734]
  ソーシャルラーニングにおいて、エージェントのネットワークは、確率スコア(信念)をいくつかの仮説に割り当て、ローカルなストリーミングデータを生成する。 ここでは、真の仮説と可能性モデルの両方が時間とともに変化する可能性のある、完全なオンライン設定に焦点を当てる。 本稿では,2つの適応型社会学習(textA2textSL$)戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-24T08:43:09Z)
• Belief Revision: The Adaptability of Large Language Models Reasoning [63.0281286287648]
  本稿では,LMの信念修正能力をテストするための新しいデータセットであるBelief-Rを紹介する。 このタスクは、人間が事前の推論を抑える方法にインスパイアされ、新しく提案されたデルタ推論フレームワーク内のLMを評価する。 様々なプロンプト戦略にまたがる$sim$30 LMを評価した結果,LMは一般的に,新たな情報に反応して信念を適切に修正するのに苦慮していることがわかった。
  論文  参考訳（メタデータ） (2024-06-28T09:09:36Z)
• Are You Sure? Challenging LLMs Leads to Performance Drops in The FlipFlop Experiment [82.60594940370919]
  大規模言語モデル(LLM)のマルチターン動作を研究するためのFlipFlop実験を提案する。 モデルが平均46%の時間で回答を反転させ、全てのモデルが最初の予測と最終予測の間に精度を低下させ、平均17%の低下(FlipFlop効果)を示す。 我々はオープンソースのLLMで微調整実験を行い、合成されたデータに対する微調整は、性能劣化を60%低減させることができるが、サイコファンティックな振る舞いを完全には解決できないことを発見した。
  論文  参考訳（メタデータ） (2023-11-14T23:40:22Z)

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。