論文の概要: Failure Recovery via Belief Updates and World Modeling for Long-Horizon Agents
- arxiv url: http://arxiv.org/abs/2610.18082v1
- Date: Tue, 13 Oct 2026 10:05:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 07:28:37.202519
- Title: Failure Recovery via Belief Updates and World Modeling for Long-Horizon Agents
- Title（参考訳）: 長軸エージェントの信頼性更新と世界モデリングによる故障復旧
- Abstract要約: ロングホライゾンのエージェントは、何歩か前に発生した障害から回復するのに苦労することが多い。
本報告では, 検証試験における持続的証拠と, 補修方向に対する予測的推論を組み合わせた枠組みであるBELIEFWEAVERを紹介する。
- 参考スコア（独自算出の注目度）: 58.51369178880458
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon agents often struggle to recover from failures whose causes lie several steps earlier, beyond what local reflection or backtracking can resolve. We introduce BELIEFWEAVER, a framework that combines persistent evidence across attempts with prospective reasoning over repair directions. It maintains a relational belief state over frontiers, attempts, observations, and checkpoints. Execution evidence updates related frontier priorities across attempts and rollback, while diagnostic evidence gates execution. An implicit world model (IWM) evaluates repair hypotheses, predicts progress, and identifies relations among frontiers to guide exploration. We further distill these recurring IWM reasoning components into a 9B student through supervised fine-tuning and on-policy distillation (OPD). Across three terminal-based benchmarks, BELIEFWEAVER improves aggregate final score by 5.1 percentage points over native Terminus-2 continuation, with positive trends in exploration efficiency. The distilled 9B student improves final score by 9.8 percentage points over the reported native baseline while reducing estimated teacher API cost by 54.8% relative to the matched teacher. These results show that persistent evidence and prospective reasoning can improve recovery in long-horizon agent tasks while substantially reducing reliance on teacher-model inference.
- Abstract（参考訳）: ロングホライゾンのエージェントは、しばしば、ローカルリフレクションやバックトラックが解決できる範囲を超えて、より早い段階で発生した障害から回復するのに苦労する。
本報告では, 検証試験における持続的証拠と, 補修方向に対する予測的推論を組み合わせた枠組みであるBELIEFWEAVERを紹介する。
境界線、試み、観察、チェックポイント上の関係的信念状態を維持している。
実行証拠は、試行とロールバックにわたるフロンティアの優先順位を更新し、診断証拠は実行をゲートする。
暗黙の世界モデル(IWM)は、修復仮説を評価し、進捗を予測し、探索をガイドするフロンティア間の関係を特定する。
さらに, これらの反復的IWM推論成分を, 教師付き微調整・オンライン蒸留(OPD)により, 9B の学生に蒸留する。
3つの端末ベースのベンチマークで、BELIEFWEAVERは、探索効率の正の傾向とともに、ネイティブのTerminus-2継続よりも5.1ポイント向上した。
蒸留9Bの学生は、レポートされたネイティブベースラインに対して、最終スコアを9.8%改善し、推定教師APIコストを、マッチした教師と比較して54.8%削減する。
これらの結果から,教師モデル推論への依存を著しく低減しつつ,長期的エージェントタスクにおける持続的エビデンスと予測的推論が回復を改善することが示唆された。
関連論文リスト
- State-OPD: State-Grounded On-Policy Distillation for Multi-Turn Agents [12.596852231979861]
On-Policy Distillation (OPD) は推論能力を伝達するための強力なパラダイムとして登場した。
エージェントOPDを相互作用状態を通じて研究し、目的タスクを識別し、アクション・オブザーブレーション記録を実行する。
インタラクション状態における教師の指導を基盤とするフレームワークであるステート・グラウンド・オン・ポリシィ蒸留について紹介する。
論文 参考訳（メタデータ） (2026-10-09T08:54:07Z) - TAP: Efficient Long-Horizon Agent Pruning via Trajectory-Anchored Recovery [16.888658921909858]
Trajectory-Anchored Pruning (TAP) は、強化学習(RL)訓練エージェントのための最初の構造的プルーニングフレームワークである。
ワンショットプルーニングの代わりに、TAPは回復目標の勾配を使ってチャンネルを再スコアする。
FFNチャネルの60%が除去され、TAPは密度の高い7Bエージェントのタスク成功率の99.2%と88.0%を維持している。
論文 参考訳（メタデータ） (2026-10-06T20:18:17Z) - REALHOP: Rethinking Multi-Hop Reasoning Evaluation via Behavioral Auditing [5.539696241335989]
概念的にコヒーレントな連鎖と正しい最終解は、それ自体がマルチホップ推論を確立するわけではないことを示す。
本稿では、エンティティをリボンドし、選択された関係を分解し、追跡可能な場所に証拠を配置する診断・構成・検証フレームワークであるREALHOPを紹介する。
論文 参考訳（メタデータ） (2026-09-29T08:17:42Z) - Beyond Imitation: Auditing the Recoverability of Reasoning in Distilled Models [12.095189927690988]
受講生が推論を継続できる場合には、正しい教師ソリューションが有用な監督となる。
確認されたソリューションの25%,50%,あるいは75%を明らかにした後,プレフィックスリカバリとこの適合度を測定した。
完全語彙上の交叉エントロピーと逆KL勾配の間のコサイン衝突を回復させる。
論文 参考訳（メタデータ） (2026-08-11T10:21:49Z) - BOUND: Brief-Guided Corrective Preference Distillation at Search-Control Boundaries [82.41764922522565]
BOUNDは、永続的な探索ドリフトのための短いガイド付き修正選好蒸留フレームワークである。
Trajectory SFT は Bamboogle で 5.6 EM 、BrowseComp-Plus で 4.8 の精度で上回っている。
論文 参考訳（メタデータ） (2026-08-09T15:32:16Z) - ABSeeker: Training Long-Horizon Search Agents via Answer-Backtracked Credit Assignment [66.45065414461274]
ロングホライゾン検索エージェントは、最終的な答えを得るために証拠を検索、検索、検証、統合するための複数のシーケンシャルなアクション(ステップ)をしなければならない。
本稿では,長距離検索エージェントを訓練するためのきめ細かい信用割当てフレームワークであるAnswer-Backtracked Credit Assignment (ABC)を提案する。
ABCは、スパース軌跡レベルの結果を、誤動作や冗長な動作を抑えながら、有用な動作(たとえ軌道が失敗しても)を報いるような、密度の高いステップレベルの監視に変換する。
論文 参考訳（メタデータ） (2026-08-05T17:41:31Z) - Pass the Baton: Trajectory-Relayed On-Policy Distillation [23.50689651536186]
オンライン蒸留は、学生自身の軌道におけるトークンレベルの監督を基礎としているが、プレフィックスの失敗に悩まされている。
Relay On-Policy Distillation (Relay-OPD)において、失敗プレフィックス上の教師-学生継続非対称性を特定し、ラベルなしハンドオフトリガに変換する。
トレーニング中、Relay-OPDは、教師が検出されたトリガーポイントを一時的に引き継ぎ、教師の足を生成し、その後、生徒が再開し、その結果の軌道に最適化することで、リレーの軌跡を構築する。
論文 参考訳（メタデータ） (2026-07-28T17:59:46Z) - Reflective Recovery: A Self-Supervised Method for Reasoning by Learning from Mistakes [70.64622557376505]
リフレクティブリカバリは、推論中のミスを認識し、修正するようにモデルに教える。
AIME 2025では30.0%から37.5%、Minervaでは37.6%から47.8%に精度が向上している。
論文 参考訳（メタデータ） (2026-07-24T02:51:42Z) - HERO: Hindsight-Enhanced Reflection from Environment Observations for Agentic Self-Distillation [50.53459634301361]
HEROは、次の環境観測を局所的に整列したフィードバックとして利用する、後向きの自己蒸留フレームワークである。
HEROはタスク成功を改善し、環境フィードバックのみの自己蒸留とGRPOに対する不要なターンを減らす。
論文 参考訳（メタデータ） (2026-06-10T01:35:34Z) - Thinking Forward and Backward: Multi-Objective Reinforcement Learning for Retrieval-Augmented Reasoning [137.33138614095435]
Retrieval-augmented Generation (RAG) は、大規模言語モデルにおける幻覚の緩和に有効であることが証明されている。
近年、検索に基づく対話をRAGに組み込んで、リアルタイム検索による反復推論を可能にしている。
提案するBi-RARは,各中間ステップを前方方向と後方方向の両方で共同で評価する,新たな検索拡張推論フレームワークである。
論文 参考訳（メタデータ） (2025-11-12T08:29:39Z)
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。