論文の概要: Self-Improving Agents with World Model Predictive Paths
- arxiv url: http://arxiv.org/abs/2610.28945v1
- Date: Tue, 20 Oct 2026 21:46:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.150215
- Title: Self-Improving Agents with World Model Predictive Paths
- Title（参考訳）: 世界モデル予測経路を用いた自己改善剤
- Abstract要約: 大規模言語モデル(LLM)エージェントは、環境と対話し、デプロイメント中の意思決定を改善することがますます期待されている。
本稿では,モデル予測パス積分(MPPI)制御にインスパイアされたテスト時間フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 19.55568114514486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) agents are increasingly expected to interact with environments and improve their decisions during deployment. However, how anticipating future outcomes and drawing on accumulated interaction experience can jointly support decision-making remains underexplored. We propose a test-time framework, inspired by Model Predictive Path Integral (MPPI) control, that combines multi-branch predictive analysis with experience-based adaptation. At each step, the agent proposes multiple candidate actions and imagines their outcomes with a world model, so that alternatives can be compared without being executed in the environment. Since language environments provide neither explicit dynamics nor costs, the predicted outcomes are evaluated for task progress and risk, and MPPI-style weights over the resulting costs guide the final decision. A dual-branch experience memory enables self-improvement: the planner branch refines candidate generation and action selection, while the world model branch improves next-observation prediction. Experiments on ALFWorld and ScienceWorld across three backbones demonstrate the strong overall performance of our method and the effectiveness of experience-guided predictive control. Our code will be made publicly available.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、環境と対話し、デプロイメント中の意思決定を改善することがますます期待されている。
しかし, 今後の成果を期待し, 蓄積したインタラクション体験の描画が, 意思決定を共同で支援する可能性については, 未検討のままである。
本稿では,モデル予測パス積分(MPPI)制御にインスパイアされたテスト時間フレームワークを提案する。
各ステップにおいて、エージェントは複数の候補行動を提案し、その結果が世界モデルで想像されるので、環境の中で実行されることなく、代替案を比較することができる。
言語環境は明示的なダイナミクスもコストも提供しないため、予測結果はタスクの進行とリスクに対して評価され、その結果のコストよりもMPPIスタイルの重みが最終決定を導く。
プランナーブランチは候補生成とアクション選択を洗練し、ワールドモデルブランチは次の観測予測を改善する。
3つのバックボーンにわたるALFWorldとScienceWorldの実験は、我々の手法の全体的な性能と経験誘導予測制御の有効性を実証している。
私たちのコードは公開されます。
関連論文リスト
- CivWorldBench: Evaluating Language World Models in Structured Multi-Agent Sandbox Worlds [54.553784788457484]
マルチエージェント戦略ゲームエンジン上に構築されたベンチマークであるCivWorldBenchを紹介する。
475の世界の1,900の意思決定ポイントは、関連予測、信念推論、介入予測という3つのタスクレベルをサポートする。
複合ベンチマークスコアは、一致したモデルパネル上の現実の予測リーダーボードと相関する。
論文 参考訳（メタデータ） (2026-10-12T09:16:29Z) - CB-Agent: Concept-Based In-Context Learning for Sequential Action Selection [17.28590289441091]
インコンテキスト学習(ICL)により、大きな言語モデルでは、パラメータを更新することなくデモを使用することができる。
CB-Agentは,概念ベースのICLを逐次行動選択に拡張する。
CB-Agentは3つの実験モデルサイズで評価された手法の中で,最も高いクロスベンチマーク平均を達成する。
論文 参考訳（メタデータ） (2026-10-10T04:48:07Z) - D-JEPA: A Decision-Aligned Latent World Model [7.765598400147485]
決定整合型潜在世界モデルD-JEPAは、実行結果から候補者先物間の決定関連関係を学習する。
D-JEPAはJEPA互換の将来の表現における学習された決定構造を実現し、ネイティブな潜在距離計画によるデプロイメントを可能にしている。
論文 参考訳（メタデータ） (2026-09-21T15:17:32Z) - EnvACE: Internalizing Environment Dynamics via World Rehearsal for Agentic Reinforcement Learning [57.312638079204255]
長期ツール使用のための大規模言語モデルエージェントの訓練は、通常、実または合成可能な環境との相互作用に依存する。
本研究では,世界リハーサルのトレーニング中に外部環境の相互作用を置き換えるエージェント強化学習手法であるEnvACEを紹介する。
論文 参考訳（メタデータ） (2026-08-06T15:54:36Z) - From World Action Models to Embodied Brains: A Roadmap for Open-World Physical Intelligence [54.62791372989525]
アクションモデル、ビジョン言語-アクションポリシー、世界モデルは、この目標を前進させた。
世界行動モデル(WAM)は、候補者の介入と予測された結果とを結びつけるため、特に有望である。
我々は、WAMへの進化をレビューし、これらの制限をモデルの役割と表現、目的と標準化、システム構成という3つの組み合わせのギャップにまとめる。
論文 参考訳（メタデータ） (2026-07-13T15:22:56Z) - Self-Evolving World Models for LLM Agent Planning [72.99782619992361]
我々はWorldEvolverを紹介した。WorldEvolverは、ダウンストリームエージェントとすべてのモデルパラメータを凍結したまま、デプロイメント時間コンテキストを更新する自己進化型ワールドモデルフレームワークである。
WorldEvolverは3つのバックボーンで最高の予測精度を達成し、下流エージェントの成功率で他のワールドモデルベースラインを導く。
論文 参考訳（メタデータ） (2026-06-29T17:58:43Z) - COMAP: Co-Evolving World Models and Agent Policies for LLM Agents [14.918267305899619]
COMAPは、クローズドループインタラクションを通じてテキストワールドモデルとエージェントポリシーを共進化させる新しいフレームワークである。
各決定ステップにおいて、世界モデルは、候補行動に対する将来の状態フィードバックを予測し、エージェントは、このフィードバックの信頼性を推定して、将来の状態リフレクションを行う。
結果として生じるオンライン軌道は、自己蒸留によって世界モデルを更新するために使用され、エージェントの進化する相互作用分布によく一致する。
論文 参考訳（メタデータ） (2026-06-01T15:21:17Z) - What-If Analysis of Large Language Models: Explore the Game World Using Proactive Thinking [50.72154186522052]
大規模言語モデル(LLM)は情報処理をリアクティブに行う能力に優れるが、仮説的未来を体系的に探索する能力に欠ける。
提案するWiA-LLMは,LLMにプロアクティブな思考能力を持たせる新しいパラダイムである。
複雑なマルチプレイヤーゲーム環境であるHonor of KingsにおけるWiA-LLMを検証する。
論文 参考訳（メタデータ） (2025-09-05T04:05:27Z) - Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。
我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。
シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
論文 参考訳（メタデータ） (2021-01-14T22:21:25Z)
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。