論文の概要: AndroidFlux: Evaluating and Reward Modeling Failure Recovery Capabilities in Mobile Use Multimodal Agents
- arxiv url: http://arxiv.org/abs/2610.34384v1
- Date: Sun, 25 Oct 2026 15:39:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.586187
- Title: AndroidFlux: Evaluating and Reward Modeling Failure Recovery Capabilities in Mobile Use Multimodal Agents
- Title（参考訳）: AndroidFlux: モバイル利用マルチモーダルエージェントにおける障害回復機能の評価とリワードモデリング
- Abstract要約: AndroidWorld上に構築されたフェールリカバリベンチマークであるAndroidFluxを紹介します。
AndroidFluxは記録されたトラジェクトリを復元し、最初のリカバリ可能なエラーの前、前、後、制御されたチェックポイントに復元する。
我々は、エラー回復と全体的なタスク成功の両方を改善するオフライン強化学習データセットをリリースする。
- 参考スコア（独自算出の注目度）: 26.721609542933518
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mobile-use multimodal agents are typically evaluated by task success from a clean initial state, which does not isolate their ability to recover from intermediate errors. Because mobile environments change dynamically, a general mobile-use agent must complete tasks robustly even from unexpected states and in unseen environments. This requires knowing when and where an agent makes errors, and whether it can recover from errors and subsequent states. To evaluate this capability, we introduce AndroidFlux, a failure-recovery benchmark built on AndroidWorld. AndroidFlux restores recorded trajectories to controlled checkpoints before, at, and after the first recoverable error, so that different agents continue from the same device state and history. On these checkpoints, a complementary reward-modeling benchmark evaluates recovery-action preferences using downstream rollout outcomes. We further release an offline reinforcement learning (RL) dataset that improves both error recovery and overall task success. Our evaluations show that recovery performance only partially correlates with clean-start success, and that explicit reasoning helps only models trained with GUI-domain specific RL.
- Abstract（参考訳）: モバイル利用マルチモーダルエージェントは通常、クリーンな初期状態からタスク成功によって評価され、中間エラーから回復する能力は分離されない。
モバイル環境は動的に変化するため、一般的なモバイル利用エージェントは、予期せぬ状態や目に見えない環境からでも、タスクをしっかりと完了させなければならない。
これは、エージェントがいつどこでエラーを発生し、エラーやその後の状態から回復できるかどうかを知る必要がある。
この機能を評価するために、AndroidWorld上に構築された障害復旧ベンチマークであるAndroidFluxを紹介した。
AndroidFluxは記録されたトラジェクトリを、最初のリカバリ可能なエラーの前、後、および後に制御されたチェックポイントに復元することで、異なるエージェントが同じデバイス状態と履歴から継続できるようにする。
これらのチェックポイントにおいて、補完的な報酬モデルベンチマークは、ダウンストリームのロールアウト結果を用いて、リカバリアクションの選好を評価する。
さらに、エラー回復と全体的なタスク成功の両方を改善するオフライン強化学習(RL)データセットをリリースしています。
評価の結果、リカバリ性能はクリーンスタートの成功と部分的に相関し、明示的な推論はGUIドメイン固有のRLで訓練されたモデルのみに役立つことがわかった。
関連論文リスト
- Lost in Recovery: Demystifying Recovery Behavior of Computer-Use Agents via Goal-Oriented Action Replay [63.05870209824107]
本稿では,コンピュータ利用エージェントの回復行動を研究するためのスケーラブルな評価フレームワークReTraceを提案する。
我々は、制御されたエラーインジェクションの後にゴール指向のアクションリプレイによって、この基準を運用する。
ReTraceを用いて、自律型モデルベースリカバリに関する最初の体系的研究を行う。
論文 参考訳（メタデータ） (2026-10-20T09:59:12Z) - CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies [52.32735203969873]
VLA(Vision-Language-Action)ポリシーは、ロボット操作において強力なパフォーマンスを達成するが、実行が名目上の軌道から逸脱した後も不安定なままである。
本稿では,実行時に発生する障害から学習することで回復を改善するフレームワークであるCARE(Corrective Atomic Robotic Execution)を提案する。
論文 参考訳（メタデータ） (2026-09-21T05:14:34Z) - LIBERO-RECOVER: Beyond Task Success Towards Failure Recovery in Robotic Manipulation Models [48.57715789642472]
本稿では,ロボット操作における障害回復のための大規模ベンチマークであるLIBERO-Recover Benchmarkを紹介する。
我々は、SOTAを具体化したモデルから実際の実行失敗を収集し、4つのリカバリレベルにわたって1000以上のシナリオを構築します。
空間的理解,オブジェクト構造推論,相互作用理解,トポロジカル推論の4つのコア機能を評価する。
論文 参考訳（メタデータ） (2026-09-04T14:15:27Z) - FLARE: A Failure-Aware Framework for Autonomous Correction and Recovery in Visual-Language Robotic Manipulation [43.89036551517797]
VLA(Vision-Language-Action Models)は、複雑な長距離ロボット操作タスクへの一般化において、大きな可能性を証明している。
彼らのパフォーマンスは、通常、軌道単調で障害のないデモンストレーションで訓練されるため、不安定なままである。
我々は、リトライとリセットのパラダイムを通じて、堅牢なエラー回復機能を備えたVLAを実現する新しいフレームワークであるFLAREを提案する。
論文 参考訳（メタデータ） (2026-08-27T05:58:06Z) - AppEval: A Unified Benchmark for LLM-Based Mobile Application Repair in ArkTS, Swift, and Kotlin [25.775485279136763]
AppEvalは、モバイルアプリケーションの修復のためのベンチマークとネイティブツールチェーン評価フレームワークである。
私たちは、HarmonyOS/ArkTS、iOS/Swift、Android/Kotlinにわたるモバイルアプリケーションの修復のための、ベンチマークとネイティブツールチェーン評価フレームワークであるAppEvalを紹介します。
論文 参考訳（メタデータ） (2026-08-19T06:30:34Z) - Experience Memory Graph: One-Shot Error Correction for Agents [9.23684438376937]
大規模言語モデル(LLM)エージェントは、エラーを複雑にし、障害から回復するのに苦労する。
既存の自己補正機構は本質的に不安定なプロンプトベースの反射に依存している。
本稿では,エージェント障害回復をグラフマッチング問題として再構成するフレームワークであるExperience Memory Graph (EMG)を提案する。
論文 参考訳（メタデータ） (2026-07-15T14:33:15Z) - RePO-VLA: Recovery-Driven Policy Optimization for Vision-Language-Action Models [90.39703013636868]
RePO-VLAは、リカバリ駆動のポリシー最適化フレームワークである。
成功、回復、失敗の軌跡に異なる役割を割り当てる。
対人的な成功は、平均で20%から75%、実世界の規模で80%まで上昇する。
論文 参考訳（メタデータ） (2026-05-10T08:24:05Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - Where LLM Agents Fail and How They can Learn From Failures [62.196870049524364]
大規模言語モデル(LLM)エージェントは、複雑なマルチステップタスクの解決において有望であることを示す。
単一ルート原因エラーがその後の決定を通じて伝播する、障害のカスケードに対する脆弱性を増幅する。
現在のシステムは、モジュール的で体系的な方法でエージェントエラーを包括的に理解できるフレームワークを欠いている。
AgentErrorTaxonomyは、メモリ、リフレクション、計画、アクション、システムレベルの操作にまたがる障害モードのモジュール分類である。
論文 参考訳（メタデータ） (2025-09-29T18:20:27Z)
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。