論文の概要: Environment Duels: A Microcosm of LLM Co-Evolution

• arxiv url: http://arxiv.org/abs/2610.30116v1
• Date: Wed, 21 Oct 2026 17:55:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.467798
• Title: Environment Duels: A Microcosm of LLM Co-Evolution
• Title（参考訳）: 環境デュエル: LLM共進化のマイクロスコープ
• Abstract要約: Environment Duelsはインタラクティブ環境における両方の能力を評価する動的エージェントベンチマークである。 最強の問題解決者は最強の著者ではなく、小さなモデルは他の人の遊び方から学び、最も厳しい環境を書く。 ペアワイズ相互作用は、モデルが互いにどのように影響するかの顕微鏡を形成する。
• 参考スコア（独自算出の注目度）: 9.067187403777282
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Through a tangle of real-world interactions, from synthetic training pipelines to data shared on the open web, frontier LLMs absorb what their predecessors and competitors create. How well does each model play its role in this ecosystem, as a creator and as a solver? We introduce Environment Duels, a dynamic agentic benchmark that evaluates both capabilities on interactive environments. Each model writes environments, each with a privileged hint, aiming for tasks that capable solvers fail without the hint and pass with it. Across nine frontier LLMs, solving and authoring prove to be distinct skills: the strongest solvers are not the strongest authors, while smaller models learn more from how others played and write the hardest environments and the most useful hints. Beyond the scores, the pairwise interactions form a microcosm of how models affect one another. Head-to-head outcomes are transitive and so yield a stable ranking; independent authors converge on the same designs; and in a reinforcement-learning study with Qwen3.8-27B, the learner's hint lift on an author's environments tracks how much training on those environments improves it on held-out reasoning and agentic benchmarks, whether the environments are its own or another model's. Each of these patterns has a counterpart in how models shape one another outside the duel. By staging these interactions under controlled conditions, Environment Duels offers a window onto how LLMs teach, challenge and learn from one another. Code is available at https://github.com/LLM-Duels/EnvDuels.
• Abstract（参考訳）: 人工的なトレーニングパイプラインからオープンなWeb上で共有されるデータまで、さまざまな現実世界のインタラクションを通じて、フロンティアのLLMは、前任者や競合他社が生み出すものを吸収する。 それぞれのモデルは、創造者として、そして問題解決者として、このエコシステムにおいて、どの程度の役割を担っていますか? 本研究では,対話型環境における両方の能力を評価する動的エージェントベンチマークであるEnvironment Duelsを紹介する。 各モデルは、それぞれ特権付きヒントで環境を書き、ヒントなしでソルバが失敗するタスクを目指しています。 最強の解決者は最強の著者ではないのに対して、小さなモデルは他の人の遊び方や最も難しい環境、最も有用なヒントからより多くを学ぶ。 スコアの他に、ペアの相互作用は、モデルがどのように影響するかのマイクロコスムを形成する。 Qwen3.8-27Bによる強化学習では、学習者の学習者のヒントは、学習者の環境に対するヒントが、環境が自身のものであれ、他のモデルであれ、保持された推論やエージェント的ベンチマーク上で、どの程度のトレーニングが改善されているかを追跡する。 それぞれのパターンは、モデルがデュエルの外側でお互いを形作る方法に相反する。 これらのインタラクションを制御された条件下でステージングすることで、Environment Duels氏はLLMが相互に教え、挑戦し、学習する方法の窓口を提供する。 コードはhttps://github.com/LLM-Duels/EnvDuelsで入手できる。

関連論文リスト

• SPADE: Self-Play in Adaptive Synthetic Executable Environments [110.80471334001574]
  1つのLLMが2つの役割を演じるセルフプレイのRLフレームワークであるSPADEを紹介する。 Environment Designerは、OpenAI Gymスタイルのreset()/step()インターフェイスで実行可能なコードとして、完全な長距離トレーニング環境を記述する。 環境デザイナは,大規模な事前学習コーパスから採取した文書に基づいて構築し,蓄積した環境記憶を与える。
  論文  参考訳（メタデータ） (2026-08-19T17:58:56Z)
• Learning POMDP World Models from Observations with Language-Model Priors [52.11151769796862]
  部分的に観測可能なマルコフ決定プロセス(POMDP)は、内部世界モデルのための柔軟なモデリングクラスを提供する。 先行知識を活用することで,言語モデルがコストのかかる相互作用を低減できるかどうかを問う。 我々は,emphPinductor が LLM ベースの POMDP 学習手法の性能とサンプル効率に一致することを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:18:15Z)
• EnvScaler: Scaling Tool-Interactive Environments for LLM Agent via Programmatic Synthesis [101.67583081810136]
  大規模言語モデル(LLM)は、様々な現実世界環境においてエージェントとして機能するよう訓練されることが期待されている。 このプロセスはリッチで多様なツール・インタラクション・サンドボックスに依存している。 スケーラブルなツールインタラクション環境のための自動化フレームワークであるEnvScalerを提案する。
  論文  参考訳（メタデータ） (2026-01-09T14:32:06Z)
• MLE-Dojo: Interactive Environments for Empowering LLM Agents in Machine Learning Engineering [57.156093929365255]
  自律型大規模言語モデル(LLM)エージェントを体系的に強化し、評価し、改善するためのガイムスタイルのフレームワーク。 MLE-Dojoは、現実的なエンジニアリングシナリオを反映した、多様でオープンなMLEタスクを慎重にキュレートする。 完全に実行可能な環境は、教師付き微調整と強化学習の両方を通して包括的なエージェントトレーニングをサポートする。
  論文  参考訳（メタデータ） (2025-05-12T17:35:43Z)
• If an LLM Were a Character, Would It Know Its Own Story? Evaluating Lifelong Learning in LLMs [55.8331366739144]
  大規模言語モデル(LLM)における生涯学習評価のためのベンチマークであるLIFESTATE-BENCHを紹介する。 我々の事実チェック評価は、パラメトリックと非パラメトリックの両方のアプローチで、モデルの自己認識、エピソードメモリ検索、関係追跡を探索する。
  論文  参考訳（メタデータ） (2025-03-30T16:50:57Z)
• Inter-environmental world modeling for continuous and compositional dynamics [7.01176359680407]
  環境全体にわたってシミュレートする継続的潜在アクション表現を学習する、教師なしのフレームワークであるLie Actionを紹介した。 WLAはビデオフレームのみを用いてトレーニングが可能であり、アクションラベルが最小でも無ければ、新しいアクションセットを持つ新しい環境に迅速に適応できることを実証する。
  論文  参考訳（メタデータ） (2025-03-13T00:02:54Z)
• Can foundation models actively gather information in interactive environments to test hypotheses? [43.42688356541211]
  基礎モデルはシングルターン推論において優れているが、動的環境におけるマルチターン探索に苦慮している。 これらのモデルを,経験から学び,適応し,情報を収集する能力に基づいて評価した。
  論文  参考訳（メタデータ） (2024-12-09T12:27:21Z)

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。