論文の概要: EvoSpatial: Experience-Driven Skill and Tool Evolution for Spatial Reasoning Agents
- arxiv url: http://arxiv.org/abs/2610.16679v1
- Date: Mon, 12 Oct 2026 12:21:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.370596
- Title: EvoSpatial: Experience-Driven Skill and Tool Evolution for Spatial Reasoning Agents
- Title（参考訳）: EvoSpatial:空間推論エージェントのための経験駆動スキルとツール進化
- Abstract要約: EvoSpatialは、関連スキルとツールのライブラリを進化させる、エクスペリエンス駆動のフレームワークである。
EvoSpatialはスキルを取得し、ツールを再利用し、推論中に再利用可能な計算関数(生成ヘルパー)を合成する。
- 参考スコア（独自算出の注目度）: 37.198027354707826
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tool-augmented vision-language agents compose perception and measurement to reason about spatial relationships, but effective execution also requires tracking geometric assumptions and checking intermediate evidence. Preserving this experience across tasks requires retaining procedural knowledge together with the computations it governs. We introduce EvoSpatial, an experience-driven framework that evolves a library of linked skills and tools. Our key insight is that successful and failed spatial trajectories reveal both how to compute and when to trust the result. EvoSpatial retrieves skills, reuses tools, and synthesizes reusable computational functions (generated helpers) during reasoning. After answer submission, supervised outcome feedback guides skill refinement and tool consolidation for subsequent tasks. Across 20 benchmarks, EvoSpatial attains the highest average score among the compared spatial agents, exceeding SpatialClaw by 4.0 percentage points. Further experiments show cross-benchmark transfer and improved reasoning through skill-guided distillation without external skills at evaluation. These results support accumulating spatial experience for both inference-time reuse and trajectory-based training.
- Abstract（参考訳）: ツール拡張視覚言語エージェントは、空間的関係を推論するために知覚と測定を構成するが、効果的な実行には幾何学的仮定の追跡や中間的証拠の確認も必要である。
タスク間でこのエクスペリエンスを維持するには、手続き的な知識とそれが管理する計算を保持する必要がある。
関連したスキルとツールのライブラリを進化させるエクスペリエンス駆動フレームワークであるEvoSpatialを紹介します。
我々の重要な洞察は、成功と失敗した空間軌道は、どのように計算し、いつ結果を信頼するかの両方を明らかにすることである。
EvoSpatialはスキルを取得し、ツールを再利用し、推論中に再利用可能な計算関数(生成ヘルパー)を合成する。
回答の提出後、監督された結果フィードバックは、その後のタスクのスキル改善とツールの強化をガイドする。
20のベンチマークで、EvoSpatialは比較された空間エージェントの中で最高スコアに達し、SpatialClawを4.0ポイント上回っている。
さらなる実験では、外部スキルを伴わない技術誘導蒸留によるクロスベンチマークの伝達と推論の改善が示された。
これらの結果は,推測時間の再利用と軌道ベーストレーニングの両面での空間経験の蓄積を支援する。
関連論文リスト
- SkillCome: Group Contrast Skill Optimization with Dual Memory [61.4363992740827]
本稿では,デュアルメモリを用いたグループコントラスト最適化に基づくスキル進化手法であるSkillComeを提案する。
各質問に対して、SkillComeは軌道を生成し、グループコントラスト解析を行う。
デュアルメモリシステムは、異なるグループ間で共有されるパターンを追跡するために、歴史的なステップから証拠を蓄積する。
論文 参考訳（メタデータ） (2026-09-29T09:33:39Z) - V-Gym: Enhancing Agentic Visual Reasoning via Skill-Data Co-Evolution [68.43599428916389]
V-Gymは、手続き的なスキルと実行軌跡からのマルチモーダルな実践データを反復的に進化させる、自律的なフレームワークである。
スキル進化の過程で、V-Gymは軌道を分析して階層的なスキルを蒸留し、洗練し、手続き的なガイダンスと適用性条件を更新する。
結果として得られた実践結果は、その後のスキル更新にフィードバックされ、継続的なスキル改善のループを閉じます。
論文 参考訳（メタデータ） (2026-09-28T09:09:24Z) - Evo-Harness: Context-to-Harness Skill Compilation for Self-Evolving Agents [67.97365535829098]
経験から学ぶことは、有能で自己改善型の大規模言語モデル(LLM)エージェントの開発に不可欠である。
Evo-Harnessは、ノイズの多いシングルショット実行を、クロスドメインとトピックレベルの適応のための再利用可能なスキルハーネスに蒸留する。
本分析は,エボ・ハーネスの有効性を実証し,LLMエージェントがリアルタイムで効果的に学習する方法の原理的理解を提供する。
論文 参考訳（メタデータ） (2026-08-15T06:43:56Z) - Self-Evolving Neuro-Symbolic Skills for Tool-Augmented Spatial Reasoning [18.12719033699671]
自己進化型空間スキルのためのニューロシンボリックフレームワークNeSy-Spatialを提案する。
NeSy-Spatialはツールの相互作用と幾何学的操作を型付け可能な原子命令に抽象化する。
ツールを実行するためのツール・ユース・スキルと、構造化された幾何学的推論のための幾何学的スキルの2つの補完的なスキルタイプで構成されている。
論文 参考訳（メタデータ） (2026-08-08T06:36:40Z) - SkillEvolBench: Benchmarking the Evolution from Episodic Experience to Procedural Skills [31.23929961213889]
大規模言語モデル(LLM)エージェントは、現実世界のタスクを解きながら豊富なエピソード軌道を蓄積する。
SkillEvolBenchは、経験の再利用からスキル形成まで、このステップを評価するための診断ベンチマークである。
現在のエージェントは、しばしばローカルに適応するが、堅牢な再利用可能なスキルを形成することは滅多にない。
論文 参考訳（メタデータ） (2026-05-22T18:23:31Z) - SkillOS: Learning Skill Curation for Self-Evolving Agents [67.94374107466957]
本稿では,自己進化エージェントのスキルキュレーションを学習するための,経験駆動型RLトレーニングレシピであるSkillOSを提案する。
SkillOSは、凍結したエージェントエグゼキュータとトレーニング可能なスキルキュレーターを組み合わせて、蓄積したエクスペリエンスから外部SkillRepoを更新する。
SkillOSは、メモリフリーと強力なメモリベースラインを、有効性と効率の両方で一貫して上回っていることを示す。
論文 参考訳（メタデータ） (2026-05-07T17:31:50Z) - XSkill: Continual Learning from Experience and Skills in Multimodal Agents [26.64381741359544]
XSkillはマルチモーダルエージェントの経験とスキルから継続的に学習するためのデュアルストリームフレームワークである。
XSkillは、視覚観察における知識抽出と検索の両方の基礎となる。
XSkillは、ツールのみのベースラインと学習ベースのベースラインの両方を一貫して、実質的に上回っている。
論文 参考訳（メタデータ） (2026-03-12T15:25:57Z) - SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [83.98129545309277]
生経験と政策改善のギャップを埋めるフレームワークであるSkillRLを提案する。
本手法では,階層型スキルライブラリであるSkillBankを構築するために,経験に基づく蒸留機構を導入する。
ALF、WebShop、および7つの検索強化タスクの実験結果は、SkillRLが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2026-02-09T03:17:17Z)
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。