論文の概要: EvoSpatial: Experience-Driven Skill and Tool Evolution for Spatial Reasoning Agents

• arxiv url: http://arxiv.org/abs/2610.16679v2
• Date: Wed, 14 Oct 2026 03:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.371038
• 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: 関連スキルとツールのライブラリを更新することで,実行経験から学習するフレームワークであるEvoSpatialを紹介した。 20のベンチマークで、EvoSpatialの平均は63.9, 4.0ポイントであり、SpatialClawが報告した平均よりも高い。 チェック手順を記録に残し、それらをサポートするツールとともに、エージェントは、あるタスクから次のタスクまでの空間的推論体験を運ぶことができる。
• 参考スコア（独自算出の注目度）: 37.198027354707826
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spatial reasoning agents can inspect tool outputs and repair errors, but reusing these lessons requires preserving both the computation and the conditions that make it valid. We introduce EvoSpatial, a framework that learns from execution experience by updating a library of linked skills and tools. Skills describe procedures, geometric assumptions, and verification steps; tools implement the operations those procedures require. When solving a task, the agent retrieves relevant skills and synthesizes reusable computational functions if existing tools are insufficient. After each task, execution feedback and evidence checks guide skill revision and tool consolidation, without ground-truth answers or benchmark scores. Across 20 benchmarks, EvoSpatial averages 63.9, 4.0 percentage points above the average reported by SpatialClaw. The evolved library also improves held-out and cross-benchmark performance when updates are disabled, and trajectories generated with evolved skills improve supervised fine-tuning, even without external skills at evaluation. Keeping checked procedures on record, together with the tools that support them, lets an agent carry spatial reasoning experience from one task to the next.
• Abstract（参考訳）: 空間推論エージェントはツール出力を検査し、エラーを修復するが、これらのレッスンを再利用するには、計算とそれが有効である条件の両方を保存する必要がある。 関連スキルとツールのライブラリを更新することで,実行経験から学習するフレームワークであるEvoSpatialを紹介した。 スキルは手順、幾何学的仮定、検証手順を記述し、その手順に必要な操作を実装する。 タスクを解く際、エージェントは関連するスキルを検索し、既存のツールが不十分であれば再利用可能な計算機能を合成する。 それぞれのタスクの後、実行フィードバックとエビデンスによって、根本的な回答やベンチマークスコアなしで、ガイドスキルのリビジョンとツールの強化がチェックされる。 20のベンチマークで、EvoSpatialの平均は63.9, 4.0ポイントであり、SpatialClawが報告した平均よりも高い。 進化したライブラリは、更新が無効になったときのホールドアウトとクロスベンチマークのパフォーマンスも向上し、進化したスキルによって生成されたトラジェクトリは、外部のスキルが評価されていない場合でも、教師付き微調整を改善する。 チェック手順を記録に残し、それらをサポートするツールとともに、エージェントは、あるタスクから次のタスクまでの空間的推論体験を運ぶことができる。

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。