論文の概要: Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use Agents
- arxiv url: http://arxiv.org/abs/2610.33568v1
- Date: Sat, 24 Oct 2026 09:38:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.363606
- Title: Trajectory2Gym: Decision-Grounded Compositional Interaction Synthesis for Tool-Use Agents
- Title（参考訳）: Trajectory2Gym:ツール・ユース・エージェントのための決定囲い合成
- Abstract要約: 本稿では,Trajectory2Gymについて紹介する。
5つのQwen3スケールで、Trajectory2Gymはテストスケール毎にTau1、Tau2、BFCLを改善している。
- 参考スコア（独自算出の注目度）: 14.168284973271374
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Successful tool-use trajectories are not necessarily useful supervision. Even successful interactions may underrepresent multi-step dependencies or contain actions that are unjustified by the information visible to the agent at decision time. We identify two coupled requirements for effective trajectory supervision: compositional coverage, so that important observation-action dependencies are represented, and decision grounding, so that each supervised action is supported by the learner-visible interaction history. We introduce Trajectory2Gym, which constructs executable interactions around under-supported compositional structures and derives supervision only from grounded decisions in their realized executions. Structural-support selection allocates the resulting experience, while parent-normalized supervised fine-tuning preserves the semantic interaction as the unit of training weight. This reframes trajectory generation as the deliberate construction of learnable interaction experience, rather than the collection of successful trajectories. Across five Qwen3 scales, Trajectory2Gym improves Tau1, Tau2, and BFCL at every tested scale, increasing the equal-weight three-benchmark mean by 16.9-29.8 percentage points. The gains are strongest in stateful and multi-turn interaction, where later decisions depend on earlier observations and feedback. Our results suggest that scaling tool-use agents depends not only on collecting more successful trajectories, but on constructing interactions whose dependencies are represented and whose decisions are learnable from the agent's visible history.
- Abstract（参考訳）: ツール・ユース・トラジェクトリーが成功することは必ずしも有用ではない。
成功したインタラクションでさえ、マルチステップの依存関係を過小評価したり、決定時にエージェントに見える情報によって不当に扱われるアクションを含むこともある。
そこで我々は, 効果的な軌道監視のための2つの要求条件を同定した: 構成的カバレッジにより, 重要な観察・行動依存性が表現され, 決定的根拠が示され, それぞれの指示された行動が, 学習者-視覚的相互作用履歴によって支持される。
本稿では,Trajectory2Gymについて紹介する。Trajectory2Gymは,非サポート型構成構造に関する実行可能なインタラクションを構築し,その実行における基盤的決定のみから監視を導出する。
構造支持選択は得られた経験を割り当て、親正規化された微調整は訓練重量の単位として意味的相互作用を保存する。
これは軌道生成を、成功した軌道の収集ではなく、学習可能な相互作用体験の意図的な構築として構成する。
5つのQwen3スケールで、Trajectory2GymはTau1、Tau2、BFCLを各テストスケールで改善し、等重量の3ベンチマーク平均を16.9-29.8ポイント増加させる。
利得はステートフルとマルチターンの相互作用において最強であり、後の決定は以前の観察とフィードバックに依存している。
ツール使用エージェントのスケーリングは, より良好なトラジェクトリを収集するだけでなく, 依存関係が表現され, エージェントの可視的履歴から決定が学習可能なインタラクションの構築にも依存することが示唆された。
関連論文リスト
- UnifiedPlayers: Enhance Tool-Integrated Reasoning in Agentic Reinforcement Learning [10.82443398666203]
自己進化的手法は、ツール使用エージェントが独自のトレーニングデータを生成することによって、人間に注釈をつけた軌道の必要性を減らす。
計画、実行、評価を共同で適応させることは、有望な代替手段を提供するが、基本的な調整課題を導入する。
この課題に対処するために、textbfUnifiedPlayers、タスクを生成するPlanning Player、Pythonツールコールでマルチターントラジェクトリを生成するExecution Player、実行可能なバリデーションを構築するAudiment Playerという協調的なフレームワークを使います。
論文 参考訳（メタデータ） (2026-09-17T11:49:31Z) - S3Gym: Can LLMs Turn Self-Testing and Self-Judging into Self-Improvement? [66.17176838165994]
大規模言語モデル(LLM)は、ますます外部環境と相互作用し、かなりの行動経験を蓄積する。
エージェントがその振る舞いを積極的にテストし、得られた経験を判断し、その経験を使って将来の意思決定を改善することができるかどうかは不明だ。
LLM自己改善評価のための対話型ベンチマークである textbfStextsuperscript3Gym を導入する。
論文 参考訳（メタデータ） (2026-08-31T17:05:41Z) - Beyond Isolation: Unlocking Reinforcement Learning Component Synergy for Sample-Efficient Continuous Control [59.15149762610843]
強化学習システムは、他の機械学習パラダイムよりもはるかに複雑である。
個々のアルゴリズムコンポーネントの進歩にもかかわらず、それらの機能的相互依存性は未解明のままである。
モデルベース表現,最適化安定性,経験再現の3つの重要な次元を協調する RL フレームワーク ROSER を提案する。
論文 参考訳（メタデータ） (2026-08-07T10:38:31Z) - PRIMAL3: Pathfinding via Reinforcement and Imitation Multi-Agent Learning - Leveraging LaCAM3 [19.66694371656982]
PRIMAL3はマルチエージェントパスフィンディング(MAPF)のための超大規模フレームワーク
強化学習、トポロジ対応通信、LaCAM3誘導訓練、PIBTベースの行動改善を統合している。
実験により、PRIMAL3は最先端の学習ベースラインを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2026-08-05T14:33:59Z) - LatentGym: A Testbed For Cross-Task Experiential Learning With Controllable Latent Structure [9.42262449979372]
クロスタスク体験学習は、パーソナライズや対話的な支援といった領域において重要である。
既存のトレーニング/評価フレームワークは、共有可能な制御可能な潜在構造を提供しておらず、エージェントが改善するかどうかを測定することができない。
タスクをまたいだ構造を規定する地道な潜伏変数を中心に,各環境を整理する制御可能なスイートであるLatentGymを紹介した。
論文 参考訳（メタデータ） (2026-06-13T13:51:22Z) - What Makes Interaction Trajectories Effective for Training Terminal Agents? [55.62817294510983]
Terminal-Legoは、現実世界の問題を環境検証されたエージェントタスクに変換するスケーラブルなパイプラインである。
下着剤であるDeepSeek-V3.2の軌跡を微調整した学生は、はるかに強力な一般化を示している。
Qwen3-32Bは15.3kの終端レゴ軌道しか持たず、終端ベンチ2.0で24.3%のスコアを獲得し、データボリュームの30倍以上で確立された以前のSOTAのパフォーマンスと競合する。
論文 参考訳（メタデータ） (2026-06-02T10:37:47Z) - TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。
TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。
TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文 参考訳（メタデータ） (2026-03-02T10:38:54Z) - Deep hybrid models: infer and plan in a dynamic world [0.0]
3つの特徴に基づいて離散的かつ連続的な処理を利用する能動的推論手法を提案する。
モデルが異なる条件下で提示された課題に対処できることが示される。
論文 参考訳（メタデータ） (2024-02-01T15:15:25Z) - Interactive Autonomous Navigation with Internal State Inference and
Interactivity Estimation [58.21683603243387]
本稿では,関係時間的推論を伴う3つの補助的タスクを提案し,それらを標準のディープラーニングフレームワークに統合する。
これらの補助的なタスクは、他の対話的エージェントの行動パターンを推測するための追加の監視信号を提供する。
提案手法は,標準評価指標の観点から,頑健かつ最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2023-11-27T18:57:42Z) - Multi-Agent Imitation Learning with Copulas [102.27052968901894]
マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。
本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。
提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
論文 参考訳（メタデータ） (2021-07-10T03:49:41Z)
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。