論文の概要: Evolving with Open Worlds: Towards Recursive Self-Improvement for Future Forecasting

• arxiv url: http://arxiv.org/abs/2610.29784v1
• Date: Wed, 21 Oct 2026 14:09:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.381729
• Title: Evolving with Open Worlds: Towards Recursive Self-Improvement for Future Forecasting
• Title（参考訳）: オープンワールドの進化: 未来予測のための再帰的な自己改善に向けて
• Abstract要約: DeepEvolveは、将来のイベント予測に基づく持続可能な進化エージェントシステムである。 エージェントは動的に進化する環境と相互作用し、得られた経験を内部化し外部化する。 外部のFutureXのリーダーボードでは、自己改善型予測が3週間連続で全システムで第1位となり、格付けが195%向上しました。
• 参考スコア（独自算出の注目度）: 85.37268382700965
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most contemporary artificial intelligence (AI) systems are released with frozen parameters and improve through external updates, whereas an ideal system would keep improving from its own experience, a capacity we call recursive self-improvement (RSI). Yet studying RSI requires an environment that is continuously changing, objectively verifiable, and naturally grounded, posing a fundamental challenge for agent evolution. Here we introduce DeepEvolve, a sustainable evolution agent system grounded in future event prediction, in which agents continuously interact with a dynamically evolving environment and improve by internalizing and externalizing the experience gained through these interactions. A living environment synthesizes verifiable tasks, and a recursive-evolution engine turns the reasoning trajectory behind each prediction back into capability: decoupling search from prediction adapts parameter-level evolution to the contamination-prone live environment, while distilling reusable skills lets the agent evolve from the limited live trajectories such an environment affords. On the external FutureX leaderboard, which evaluates predictions against real-world outcomes and is updated weekly, our self-improved forecaster ranked first across all systems over three consecutive weeks, achieving up to a 195% improvement in rating. On our synthesized evaluation, it ranked among the top three across four base LLMs, outperforming the strongest baseline by up to 10.7 Bradley--Terry points. More broadly, these results suggest that a system built for self-improvement is best understood as an agent that co-evolves with a genuinely living, open-ended environment, pointing to a shift in AI from training static models on fixed data toward cultivating agents that grow stronger from their own experience, with such an open world as the indispensable basis of that growth.
• Abstract（参考訳）: 現代の人工知能(AI)システムの多くは、凍結したパラメータを持ち、外部更新によって改善されているが、理想的なシステムは、再帰的自己改善(RSI)と呼ばれる、自身の経験から改善を続けるだろう。 しかし、RSIを研究するには、継続的に変化し、客観的に検証され、自然に根ざした環境が必要である。 本稿では、未来の事象予測を基盤とした持続可能な進化エージェントシステムDeepEvolveを紹介し、エージェントが動的に進化する環境と継続的に対話し、これらの相互作用を通じて得られる経験を内在化し、外部化することで改善する。 リビング環境は検証可能なタスクを合成し、再帰進化エンジンは、各予測の背後にある推論軌跡を能力に戻す: 予測から探索を分離することは、パラメータレベルの進化を汚染に起因したライブ環境に適応させ、再利用可能なスキルを蒸留することで、エージェントはそのような環境の限られたライブ軌道から進化することができる。 現実の成果に対する予測を評価し、毎週更新する外部のFutureXリーダーボードでは、自己改善型予測が3週間連続で1位となり、格付けが195%向上した。 総合評価では,4基LLMの上位3位にランクインし,最大10.7Bradley-Terry点を上回り,最強のベースラインを上回りました。 より広範に、これらの結果は、自己改善のために構築されたシステムは、真に生きた、オープンな環境と共進化するエージェントとして理解され、AIが固定データ上の静的モデルを訓練することから、自身の経験からより強く成長するエージェントへと移行したことを示唆している。

関連論文リスト

• Darwin-Claw: Environment-Adaptive Experience Consolidation for Recursively Self-Evolving Agents [40.47681796390321]
  大規模言語モデル(LLM)エージェントは独立したセッションで動作し、歴史的相互作用から継続的に学習したり、ユーザ固有の環境に適応する能力に欠ける。 既存の自己進化パラダイムは、しばしばメモリやスキルモジュールに生の相互作用軌跡を無差別に注入する。 本研究では,環境適応型自己進化フレームワークであるDarwin-Clawを提案する。
  論文  参考訳（メタデータ） (2026-10-16T14:57:21Z)
• Evolutionary Computation for Trustworthy AI: From Attacks and Defenses to Self-Evolving Era [39.61461857687048]
  進化計算(Evolutionary Computation、EC)は、集団に基づく、勾配のない探索と柔軟な変動と選択のメカニズムである。 この調査は、進化的攻撃、進化的防御、そして信頼できる自己進化型AIシステムという3つの方向において、ECが信頼できるAIに適用された方法についてレビューする。
  論文  参考訳（メタデータ） (2026-10-02T08:29:15Z)
• 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)
• Autonomous Continual Learning of Computer-Use Agents for Environment Adaptation [57.65688895630163]
  ACuRLは自律的なカリキュラム強化学習フレームワークで、エージェントを人間データゼロの特定の環境に継続的に適応させる。 本研究では,環境内学習と環境横断学習の両方を効果的に実現し,既存の環境を忘れずに4～22%の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-02-10T23:06:02Z)
• Yunjue Agent Tech Report: A Fully Reproducible, Zero-Start In-Situ Self-Evolving Agent System for Open-Ended Tasks [10.622439192272527]
  従来のエージェントシステムは、タスク分布が継続的にドリフトし、外部の監視が不十分な、オープンな環境に苦しむ。 In-Situ Self-Evolving(In-Situ Self-Evolving)パラダイムを提案する。 このフレームワーク内では、新しい課題をナビゲートするためのツールを反復的に合成、最適化、再利用するシステムであるYunjue Agentを開発します。
  論文  参考訳（メタデータ） (2026-01-26T07:27:47Z)
• Agent Alignment in Evolving Social Norms [65.45423591744434]
  本稿では,エージェント進化とアライメントのための進化的フレームワークであるEvolutionaryAgentを提案する。 社会規範が継続的に進化する環境では、エージェントは現在の社会規範に適応し、生存と増殖の確率が高くなる。 進化的エージェントは、一般的なタスクにおいてその能力を維持しながら、進化する社会規範と徐々に整合できることを示す。
  論文  参考訳（メタデータ） (2024-01-09T15:44:44Z)

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。