論文の概要: EvolvingBrain: An Adaptive Skill System for Multi-modal Agents Self-Evolution in Open Worlds
- arxiv url: http://arxiv.org/abs/2610.20786v1
- Date: Wed, 14 Oct 2026 18:30:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-16 19:13:16.01768
- Title: EvolvingBrain: An Adaptive Skill System for Multi-modal Agents Self-Evolution in Open Worlds
- Title（参考訳）: EvolvingBrain: オープンワールドにおけるマルチモーダルエージェントの自己進化のための適応型スキルシステム
- Abstract要約: EvolvingBrainは、エージェントの自己進化のための脳として適応的なスキルシステムを使用する。
State-Aware Adaptive Execution: 長い水平相互作用を構造化抽象メモリに要約する。
私たちのコードは補充材料で提供されており、カメラ対応バージョンで公開されます。
- 参考スコア（独自算出の注目度）: 37.67701858885322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-modal agents have made significant progress in interacting with open worlds. However, their ability to self-evolve remains limited. Supervised fine-tuning enables imitation but not active experience organization, while outcome-based reinforcement learning promotes exploration yet underuses intermediate trajectory information. Therefore, we propose EvolvingBrain, which uses an adaptive skill system as the brain for agent self-evolution, consisting of two following components. Stratified Skill Self-Evolution: extracts Procedural Patterns and Problematic Patterns from model-specific trajectories, summarizes experience by generating skills, and evolves through multiple interactions with the open world, ultimately forming a Stratified Skill Architecture consisting of Domain, Plan, and Action/Trap Skills, which provides the agent with a multi-granularity knowledge repository and a novel evolution approach. State-Aware Adaptive Execution: summarizes long-horizon interactions into Structured Abstractive Memory and uses it to guide the State-Aware Skill Fusion Strategy, enabling the agent to utilize knowledge according to its current state. Experiments on VAB-Minecraft and DiscoveryWorld demonstrate that EvolvingBrain improves success rates on open-world tasks and exhibits generalization capabilities. Our code is provided in the supplementary materials and will be publicly released in the camera-ready version.
- Abstract（参考訳）: マルチモーダルエージェントはオープンワールドとの対話において大きな進歩を遂げた。
しかし、自己進化能力は限られている。
改良された微調整は模倣を可能にするが、アクティブな経験組織ではない。一方、結果に基づく強化学習は探索を促進するが、中間軌道情報を過小評価する。
そこで本稿では,エージェント自己進化のための脳として適応型スキルシステムを用いたEvolvingBrainを提案する。
Stratified Skill Self-Evolution: extracts Procedural Patterns and Problematic Patterns from model-specific trajectories, consists experience by generating skills and evolutions through multiple interaction with the open world, finally formed a Stratified Skill Architecture consist of Domain, Plan, and Action/Trap Skills。
State-Aware Adaptive Execution: 長期にわたるインタラクションを構造化抽象メモリに要約し、それをState-Aware Skill Fusion Strategyのガイドとして使用することにより、エージェントが現在の状態に応じて知識を活用することができる。
VAB-MinecraftとDiscoveryWorldの実験は、EvolvingBrainがオープンワールドタスクの成功率を改善し、一般化能力を示すことを示した。
私たちのコードは補充材料で提供されており、カメラ対応バージョンで公開されます。
関連論文リスト
- SkillVine: Agent Skill Evolution via Branching Exploration [12.13535224292116]
エージェントスキルは、環境とのインタラクションからトラジェクトリを使用して、自動的に改善できる。
既存のアプローチは、最新のスキルライブラリバージョンに順次適用される線形進化パラダイムを優先的に採用している。
本稿では,グラフ検索問題としてスキル進化を定式化する自動スキル進化フレームワークであるSkillVineを提案する。
論文 参考訳（メタデータ） (2026-09-26T15:49:39Z) - WikiSkill: Compiling Agent Experience into Persistent Knowledge for Skill Evolution [16.55630974027974]
我々は、永続的知識ベース(wiki)でエージェントスキルを共進化させるフレームワークであるWikiSkillを紹介する。
WikiSkillは最先端のスキル進化手法より一貫して優れています。
また、進化したスキルはモデルやモデルファミリー間で効果的に伝達され、他のモデルによって進化したスキルは、自己進化したスキルより優れていることもわかりました。
論文 参考訳（メタデータ） (2026-08-27T17:59:11Z) - Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。
プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。
このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
論文 参考訳（メタデータ） (2026-07-24T17:59:22Z) - Training LLM Agents for Spontaneous, Reward-Free Self-Evolution via World Knowledge Exploration [34.98544095454037]
エージェントに固有のメタ進化能力を持つように訓練し、自然に目に見えない環境について学習する。
推論時、エージェントは外部からの報酬や人間の指示を必要としない。
このネイティブ進化へのシフトは、WebVoyagerとWebWalkerの20%のパフォーマンス向上をもたらす。
論文 参考訳（メタデータ） (2026-04-20T11:54:20Z) - Building Self-Evolving Agents via Experience-Driven Lifelong Learning: A Framework and Benchmark [57.59000694149105]
本稿では、自己進化エージェントを構築するためのフレームワークである、経験駆動型生涯学習(ELL)を紹介する。
ELLは、Experience Exploration、Long-term Memory、Skill Learning、Knowledge Internalizationの4つのコア原則に基づいて構築されている。
また、学生の総合的な大学旅行をシミュレートするELLのベンチマークデータセットであるStuLifeを紹介した。
論文 参考訳（メタデータ） (2025-08-26T13:04:28Z) - Rethinking Agent Design: From Top-Down Workflows to Bottom-Up Skill Evolution [34.66260172204154]
人間の学習過程を反映したボトムアップエージェントパラダイムを導入する。
エージェントは、試行錯誤メカニズムを探索し、成果を反映し、時間とともにスキルを抽象化することで能力を獲得する。
Slay the Spire and Civilization Vでは、エージェントが生の視覚的入力を通じて知覚し、マウスのアウトプットを介して行動する。
論文 参考訳（メタデータ） (2025-05-23T09:38:55Z) - Parental Guidance: Efficient Lifelong Learning through Evolutionary Distillation [1.124958340749622]
本研究では, 自然種再現, 多様性のバランス, 特殊化といった, 再生モジュールを含むフレームワークを提案する。
RL、模倣学習(IL)、進化的エージェント・テランのカリキュラムを統合することで、複雑なタスクを通じてエージェントを継続的に進化させる。
最初の実験では,この手法が探索効率を向上し,オープンエンド学習を支援することを示した。
論文 参考訳（メタデータ） (2025-03-24T10:40:03Z) - OpenWebVoyager: Building Multimodal Web Agents via Iterative Real-World Exploration, Feedback and Optimization [66.22117723598872]
マルチモーダルWebエージェントの開発を容易にするために設計されたオープンソースフレームワークを紹介する。
まず、基本モデルを模倣学習で訓練し、基礎能力を得る。
次に、エージェントにオープンウェブを探索させ、その軌道に関するフィードバックを収集する。
論文 参考訳（メタデータ） (2024-10-25T15:01:27Z)
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。