論文の概要: AI Cosmos: An Agentic Infra for Situated Learning

• arxiv url: http://arxiv.org/abs/2610.40031v1
• Date: Thu, 29 Oct 2026 13:36:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 08:27:36.373833
• Title: AI Cosmos: An Agentic Infra for Situated Learning
• Title（参考訳）: AI Cosmos: 定位学習のためのエージェント赤外線
• Abstract要約: AI Cosmosは、位置学習のためのエージェントインフラストラクチャである。 シナリオベースの参加と,実践の累積資産という,2つの相補的な原則に関する学習を組織化する。
• 参考スコア（独自算出の注目度）: 41.51206946745995
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) can improve task performance during learning, yet these gains do not necessarily reflect learners' ability to thereafter apply the knowledge and skills independently. We present AI Cosmos, an agentic infrastructure for situated learning that organizes learning around two complementary principles: scenario-based participation and cumulative assets of practice. AI Cosmos organizes learners and role-specialized agents within learning scenarios that integrate task-relevant knowledge and, when needed, executable workbenches. An asset-memory loop preserves the processes and outcomes of practice as reusable assets with explicit provenance and dependencies. We evaluate scenario-based interaction through two preregistered randomized controlled studies examining the acquisition of legal reasoning and programming competence, holding the same underlying LLM across conditions. AI Cosmos achieves greater learning gains than a conventional LLM in legal reasoning and higher mastery of unseen programming problems than an LLM-as-Teacher baseline.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、学習中のタスクパフォーマンスを改善することができるが、学習者の知識とスキルを独立して適用する能力は必ずしも反映されない。 シナリオベースの参加と累積的な実践資産という,2つの相補的な原則に関する学習を組織する,位置学習のためのエージェントインフラストラクチャであるAI Cosmosを紹介する。 AI Cosmosは、タスク関連知識と必要に応じて実行可能なワークベンチを統合する学習シナリオ内で、学習者とロール特化エージェントを編成する。 資産記憶ループは、実践のプロセスと成果を、明示的な証明と依存関係を持った再利用可能な資産として保存する。 我々は,2つの事前登録ランダム化制御によるシナリオベースインタラクションの評価を行った。 AI Cosmosは、LLM-as-Teacherベースラインよりも、法的な推論や目に見えないプログラミング問題の熟達において、従来のLLMよりも学習能力の向上を実現している。

関連論文リスト

• Omni-Thinker: Scaling Multi-Task RL in LLMs with Hybrid Reward and Task Scheduling [66.0871543682453]
  我々はOmni-Thinkerについて紹介する。Omni-Thinkerは多種多様なタスクにわたって大きな言語モデルをスケールする統合強化学習フレームワークである。 我々のスケジューラは,BWTに基づいてタスクを順序付けし,マルチタスク性能を向上する。
  論文  参考訳（メタデータ） (2025-07-20T01:50:16Z)
• Responsible Machine Learning via Mixed-Integer Optimization [2.7415651415305593]
  混合整数最適化(MIO)は、責任あるMLの考慮事項を直接学習プロセスに埋め込むための強力なフレームワークを提供する。 本チュートリアルでは,理論的側面と実践的側面の両方について論じる,アクセシビリティと包括的紹介を行う。
  論文  参考訳（メタデータ） (2025-05-09T07:51:36Z)
• Throughput-Optimal Scheduling Algorithms for LLM Inference and AI Agents [6.318292471845427]
  我々は,大規模言語モデル(LLM)推論のための待ち行列の基礎を開発する。 大規模な'作業保守'スケジューリングアルゴリズムが最大スループットを達成できることを実証する。
  論文  参考訳（メタデータ） (2025-04-10T00:12:12Z)
• R1-Searcher: Incentivizing the Search Capability in LLMs via Reinforcement Learning [87.30285670315334]
  textbfR1-Searcherは、大規模言語モデルの検索能力を高めるために設計された、2段階の結果に基づく新しいRLアプローチである。 本フレームワークは, コールドスタート時に, プロセス報酬や蒸留を必要とせず, RLのみに依存している。 提案手法は, クローズドソースGPT-4o-miniと比較して, 従来の強力なRAG法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2025-03-07T17:14:44Z)
• Satori: Reinforcement Learning with Chain-of-Action-Thought Enhances LLM Reasoning via Autoregressive Search [57.28671084993782]
  大規模言語モデル(LLM)は、様々な領域にまたがる顕著な推論能力を示している。 近年の研究では、テスト時間計算の増加はLLMの推論能力を高めることが示されている。 そこで我々は,1)COAT推論形式を内部化するための小規模な形式調整段階,2)強化学習を活用した大規模自己改善段階を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:26:58Z)
• Practical Considerations for Agentic LLM Systems [5.455744338342196]
  本稿では、確立されたアプリケーションパラダイムの文脈における研究コミュニティからの実行可能な洞察と考察について述べる。 すなわち、アプリケーション中心の文献における一般的な実践に基づいて、関連する研究成果を4つの幅広いカテゴリ – プランニング、メモリツール、コントロールフロー – に位置づける。
  論文  参考訳（メタデータ） (2024-12-05T11:57:49Z)

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。