論文の概要: Embodied Skill Bench: Benchmarking How Well Agents with Embodied Skills Perform on Physical Tasks

• arxiv url: http://arxiv.org/abs/2610.16238v1
• Date: Mon, 12 Oct 2026 06:11:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 06:56:12.085696
• Title: Embodied Skill Bench: Benchmarking How Well Agents with Embodied Skills Perform on Physical Tasks
• Title（参考訳）: Embodied Skill Bench: 身体能力のあるエージェントが身体的タスクでどのように機能するかのベンチマーク
• Abstract要約: LLMエージェントは、VLAポリシー、知覚モデル、手続き的知識を使用してロボットをますます制御する。 エージェントスキルを明示的な具体的仮定と使用条件で拡張する具体的スキルとしてパッケージ化する。 EmbodiedSkillBenchは、クローズドな観察・アクションループでエージェントを実行し、成功、アクション、トークン、ウォールクロック時間を記録する。
• 参考スコア（独自算出の注目度）: 27.982948714559654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents increasingly control robots using VLA policies, perception models, and procedural knowledge. These modules are difficult to reuse because their interfaces, embodiment assumptions, and conditions of use differ, and their benefits on physical tasks remain unclear. We package them as embodied skills that extend agent skills with explicit embodiment assumptions and conditions of use, building 250 action, perception, and experience skills from 1,052 resources. On this basis we introduce EmbodiedSkillBench, which runs an agent in a closed observation-action loop and records success, actions, tokens, and wall-clock time. It supports three modes: native control, skill-only execution, and Agent-Directed Reuse (ADR), a mode we propose in which the agent keeps its native controls and decides for each skill whether to invoke, modify, or ignore it. Across four agents on 100 perturbed LIBERO-Pro tasks, we find that skills help an agent only as far as they exceed what it can already do. Skill-only execution lifts GPT-5.6-Sol from 11% to 63% and Kimi-K3 and Claude-Opus-5 by about 20 points, while cutting their token usage by 58% to 85%. Yet all four agents then end up between 61% and 64%, and GPT-6-Astra falls from 92% under native control to 61%. This suggests that as agents grow stronger, the role of embodied skills shifts from supplying missing capability to reducing cost: GPT-6-Astra already solves most tasks through native control, so restricting it to skills removes more than it adds. Under ADR, which lets it keep native control and call skills selectively, GPT-6-Astra recovers to 85%, within 7 points of native control, while using 14.1% fewer tokens and 11.9% less time. With Jev as a skill choosing motion directions and gripper actions, it reaches 81% with 50% fewer tokens and 57% less time. The code is available at https://github.com/HanZhi306/EmbodiedSkill-Bench.
• Abstract（参考訳）: LLMエージェントは、VLAポリシー、知覚モデル、手続き的知識を使用してロボットをますます制御する。 これらのモジュールは、インターフェース、具体化仮定、使用条件が異なるため再利用が困難であり、物理的なタスクに対する利点は依然として不明である。 エージェントスキルを具体化して、明示的な実施仮定と使用条件で拡張し、250のアクション、知覚、体験スキルを1,052のリソースから構築する。 このベースでEmbodiedSkillBenchを紹介します。これはクローズドな観察-アクションループでエージェントを実行し、成功、アクション、トークン、ウォールクロック時間を記録します。 ネイティブコントロール、スキルのみの実行、エージェント指向再利用(ADR)という3つのモードをサポートします。 100の混乱したLIBERO-Proタスク上の4つのエージェントのうち、スキルはエージェントが既にできることを超えている限り、助けになることがわかりました。 スキルのみの実行はGPT-5.6-Solを11%から63%に引き上げ、Kimi-K3とClaude-Opus-5を約20ポイント、トークンの使用率を58%から85%に下げる。 しかし、4つのエージェントはいずれも61%から64%になり、GPT-6-Astraは92%から61%に低下する。 GPT-6-Astraは、ネイティブコントロールを通じて、ほとんどのタスクをすでに解決しているので、それをスキルに制限することは、追加以上のものを取り除くことになる。 ネイティブコントロールとコールスキルを選択的に維持するADRの下では、GPT-6-Astraはネイティブコントロールの7ポイント以内に85%まで回復し、トークンは14.1%減少し、11.9%削減された。 動作方向とグリップアクションを選択するスキルとしてJevを使用すると、トークンが50%少なく、57%少ない時間で81%に達する。 コードはhttps://github.com/HanZhi306/EmbodiedSkill-Bench.comで公開されている。

関連論文リスト

• Skill2Real: Agentic Skill Learning for Zero-Shot Sim-to-Real Robot Manipulation [46.514470640782584]
  共有アプリケーションプログラミングインタフェース(API)を通じて実行可能なスキルを学ぶエージェントポリシーフレームワークであるSkill2Realを紹介する。 Proposer-Verifier- Governorループは、特権シミュレーションエビデンスを使用して結果を診断し、更新を検証する。 脳はまず局所的な操作のスキルを取得し、その後脳は脳を凍らせることでタスクレベルの構成を学ぶ。
  論文  参考訳（メタデータ） (2026-10-02T04:25:12Z)
• Chaining Skills to Hijack LLM Agents [13.991514285520788]
  LLMエージェントは、特定のタスクのパフォーマンスを改善するためにスキルを使用する。 スキルはオープンソースリポジトリから生まれる可能性があるため、このハンドオフはアタッカーが管理するクレームを後から行うことができる。 本稿では,ユーザタスクやアタッカーが選択したアクションに合わせて,敵のスキルチェーンを構築し,洗練するAPEXを紹介する。
  論文  参考訳（メタデータ） (2026-10-01T12:28:49Z)
• Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills [86.15447717549154]
  私たちは、スキルを創造し、研究中にそれらを使用する、スキル駆動型研究エージェントであるDisCoを紹介します。 私たちはこの欠落したレイヤの運用知識を、メソッドの知識を機能させるのと分離するノウハウと呼んでいる。
  論文  参考訳（メタデータ） (2026-09-02T15:49:41Z)
• Signal or Noise? A Benchmark Study of Agent Skills in Web Development [6.7220476997481375]
  私たちはWebDev-Skills-Benchを使って、50のWeb-Benchプロジェクトで31の公開WebDevスキルと1000のタスクを研究しています。 4つのモデル全体で、ターゲットスキルインジェクションは平均パス@2を1.3%減らして4.2%減らし、タスク完了の深さを低くし、トークンコストを72%減らして394%減らす。 損失は簡単な初期タスクに集中し、スキルランキングはモデル間で弱い転送をし、アンチパターンルールは有用なスキルの中でサンプル重いコンテンツより優れています。
  論文  参考訳（メタデータ） (2026-08-24T10:13:07Z)
• Not All Skills Help: Measuring and Repairing Agent Knowledge [47.498075849595374]
  ASSAYは、生成をキュレーションから分離するフレームワークである。 スキルごとの因果属性を小さな開発セットで計算する。 ライブラリをオフラインで再構築し、各テストタスクに対して負の効果でスキルを抑圧する。
  論文  参考訳（メタデータ） (2026-06-13T16:37:38Z)
• SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
  SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。 行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。 Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
  論文  参考訳（メタデータ） (2026-06-12T08:20:09Z)
• Under the Hood of SKILL.md: Semantic Supply-chain Attacks on AI Agent Skill Registry [49.83108591873481]
  SKILL.md - エージェントスキルライフサイクルの3つのステージを対象とするアタックのみを調査する。 SKILL.mdは受動的ドキュメントではなく、サードパーティのエージェントが発見し、信頼し、使用する機能を形成する運用テキストであることを示す。
  論文  参考訳（メタデータ） (2026-05-12T02:11:54Z)
• ContractSkill: Repairable Contract-Based Skills for Multimodal Web Agents [13.2889725132666]
  私たちは、ドラフトスキルをコントラクト化された実行可能なアーティファクトに変換するフレームワークであるContractSkillを紹介します。 この表現は、決定論的検証、ステップレベルのフォールトローカライゼーション、最小限のパッチベースの修復を可能にする。
  論文  参考訳（メタデータ） (2026-03-20T09:25:50Z)
• SkillsBench: Benchmarking How Well Agent Skills Work Across Diverse Tasks [61.89812116484928]
  エージェントスキルは、LLMエージェントを推論時に増強する手続き的知識の構造化パッケージである。 SkillsBenchは、11のドメインにわたる86のタスクのベンチマークであり、キュレートされたスキルと決定論的検証との組み合わせを示す。 キュレートされたスキルは平均パスレートを16.2ポイント(pp)上昇させるが、効果は領域によって大きく異なる。 自己生成スキルは平均的に何の利益も与えず、モデルが消費から得られる手続き的な知識を確実に説明できないことを示している。
  論文  参考訳（メタデータ） (2026-02-13T07:06:06Z)

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。