論文の概要: Learning to Interact and Direct: Co-Evolving Video Director Agents

• arxiv url: http://arxiv.org/abs/2610.41865v1
• Date: Fri, 30 Oct 2026 15:18:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.785127
• Title: Learning to Interact and Direct: Co-Evolving Video Director Agents
• Title（参考訳）: インタラクションとダイレクトの学習: ビデオディレクターエージェントの共同開発
• Abstract要約: LIT(Learning to Interact and DirecT)は,ディレクターエージェント,シミュレーションユーザ,メタエンジニアで構成されるフレームワークである。 メタエージェントは、外部知識を積極的に学習し、問題の発見能力を改善し、解決策を提案する。 テストとOODテストの分割で、LITは生産と相互作用のスコアをそれぞれ19.1%と32.0%改善する。
• 参考スコア（独自算出の注目度）: 21.604382699011264
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Video director agents orchestrate multistage production to realize users' creative visions. Emerging research on their self-evolution advances screenplay planning effectively. However, the mutual reinforcement between directing and user interaction remains largely overlooked. Improved interaction clarifies user intent and informs workflow refinement, while more reliable execution shifts collaboration from troubleshooting to creative decisions. To this end, we introduce LIT (Learning to Interact and DirecT), a framework comprises a director agent, a simulated user, and a meta engineer. Simulated user assigns creative tasks to probe the director's weaknesses, while the meta engineer uses the task traces to revise the director's interaction and production strategy. Although this approach can address discovered interaction and production issues, it still relies on passive attribution by the meta agent. This limits its ability to adapt to broader user interaction patterns and production techniques. To solve this problem, we equip LIT with a co-evolution paradigm. The meta agent proactively learns external knowledge, thereby improving its ability to discover problems and propose solutions. The meta agent, simulated user, and director together form an evolutionary closed loop, collaboratively enhances the system's directing and interaction capabilities. Across the Test and OOD Test splits, LIT improves production and Interaction scores by 19.1% and 32.0%, respectively, relative to the initial pipeline. Controlled ablations reveal the correlation between improvements in production and interaction, where the co-evolution mechanism further encourage directing skill and interaction mode exploration.
• Abstract（参考訳）: ビデオディレクターエージェントは、ユーザの創造的なビジョンを実現するために、マルチステージプロダクションを編成する。 彼らの自己進化に関する新たな研究は、スクリーンプレイ計画を効果的に進める。 しかし、ディレクティブとユーザインタラクションの相互強化はほとんど見過ごされている。 インタラクションの改善は、ユーザの意図を明確にし、ワークフローの洗練を通知する一方で、より信頼性の高い実行は、コラボレーションをトラブルシューティングから創造的な決定へとシフトさせる。 この目的のために,LIT(Learning to Interact and DirecT)は,ディレクターエージェント,シミュレーションユーザ,メタエンジニアから構成されるフレームワークである。 シミュレーションされたユーザは、ディレクタの弱点を調査するために創造的なタスクを割り当て、メタエンジニアはタスクトレースを使用してディレクタのインタラクションとプロダクション戦略を修正します。 このアプローチは、発見された相互作用とプロダクションの問題に対処できるが、メタエージェントによる受動的帰属に依存している。 これにより、より広範なユーザインタラクションパターンやプロダクションテクニックに適応する能力が制限される。 この問題を解決するために、LITに共進化パラダイムを組み込む。 メタエージェントは、外部知識を積極的に学習し、問題の発見能力を改善し、解決策を提案する。 メタエージェント、シミュレートされたユーザ、およびディレクタが進化的なクローズドループを形成し、システムのディレクティブとインタラクション機能を協調的に強化する。 テストとOODテストの分割によって、LITは、最初のパイプラインと比較して、それぞれ19.1%と32.0%で生産と相互作用のスコアを改善している。 制御された改善は、生産と相互作用の改善の間の相関関係を明らかにし、そこでは、共進化のメカニズムにより、スキルの指示と相互作用モードの探索がさらに促進される。

関連論文リスト

• Communication Policy Evolution for Proactive LLM Agents [58.4960889232199]
  本稿では,コミュニケーションポリシを形式化し,テキストおよびUIベースのポリシを確立し,さまざまな環境におけるコミュニケーションポリシを評価する。 本稿では,コミュニケーションポリシーをロールアウトとプロンプトレベルの進化を通じて改善するための自己進化フレームワークであるコミュニケーションポリシー進化(CPE)を提案する。
  論文  参考訳（メタデータ） (2026-06-12T09:54:01Z)
• VitaBench 2.0: Evaluating Personalized and Proactive Agents in Long-Term User Interactions [63.13827503828231]
  我々は、長期ユーザーインタラクションにおけるパーソナライズされたプロアクティブなエージェント動作を評価するためのベンチマークであるVitaBench 2.0を紹介する。 結果は、最先端のモデルでさえ、現実世界のパーソナライゼーションは非常に困難であることを示している。
  論文  参考訳（メタデータ） (2026-05-26T15:07:38Z)
• PRIME: Training Free Proactive Reasoning via Iterative Memory Evolution for User-Centric Agent [2.291770711277359]
  PRIMEは継続的エージェント進化のための勾配のない学習フレームワークである。 マルチターン相互作用の軌跡を、構造化された人間可読な体験に蒸留する。 実験の結果,PRIMEは勾配法と競合する性能を示した。
  論文  参考訳（メタデータ） (2026-04-08T23:11:12Z)
• Learning "Partner-Aware" Collaborators in Multi-Party Collaboration [12.287537011305497]
  大規模言語モデル(LLM)は,人間との共同作業を行うエージェント設定にデプロイされることが増えている。 本稿では、協調行動に関する新たな理論的洞察を提供するために、AIアライメントと安全な割り込み可能性文献に基づく。 CG-最適協調者を訓練するための新しいパートナー認識学習アルゴリズムであるInterruptible Collaborative Roleplayer (ICR)を提案する。
  論文  参考訳（メタデータ） (2025-10-26T00:05:48Z)
• OSC: Cognitive Orchestration through Dynamic Knowledge Alignment in Multi-Agent LLM Collaboration [13.032459988986068]
  OSC(Orchestrating Cognitive Synergy)は、知識を意識したアダプティブコラボレーションフレームワークである。 これは、大きな言語モデルを持つマルチエージェントシステムにおける認知シナジーを高める。
  論文  参考訳（メタデータ） (2025-09-05T07:44:05Z)
• Multi-Agent Collaboration via Evolving Orchestration [55.574417128944226]
  大規模言語モデル(LLM)は、様々な下流タスクで顕著な成果を上げているが、そのモノリシックな性質は複雑な問題解決におけるスケーラビリティと効率を制限している。 LLMに基づくマルチエージェントコラボレーションのためのパウチスタイルのパラダイムを提案し,タスク状態の進化に応じて,中央集権的なオーケストレータ("puppeteer")がエージェント("puppets")を動的に指示する。 クローズドドメインおよびオープンドメインシナリオの実験により,この手法は計算コストを低減し,優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2025-05-26T07:02:17Z)
• Evaluations at Work: Measuring the Capabilities of GenAI in Use [28.124088786766965]
  現在のAIベンチマークは、人間とAIのコラボレーションの混乱したマルチターンの性質を見逃している。 実世界のタスクを相互依存サブタスクに分解する評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-15T23:06:23Z)
• Investigate-Consolidate-Exploit: A General Strategy for Inter-Task Agent Self-Evolution [92.84441068115517]
  Investigate-Consolidate-Exploit(ICE)は、AIエージェントの適応性と柔軟性を高めるための新しい戦略である。 ICEは、真の自己進化のためのタスク間の知識の伝達を促進する。 XAgentフレームワークに関する我々の実験は、ICEの有効性を示し、API呼び出しを最大80%削減する。
  論文  参考訳（メタデータ） (2024-01-25T07:47:49Z)
• AgentCF: Collaborative Learning with Autonomous Language Agents for Recommender Systems [112.76941157194544]
  本稿では,エージェントベースの協調フィルタリングにより,レコメンデータシステムにおけるユーザとイテムのインタラクションをシミュレートするエージェントCFを提案する。 我々は、ユーザだけでなく、アイテムをエージェントとして、創造的に考慮し、両方のエージェントを同時に最適化する協調学習アプローチを開発します。 全体として、最適化されたエージェントは、ユーザ・イテム、ユーザ・ユーザ・ユーザ、アイテム・イテム、集合的インタラクションなど、フレームワーク内での多様なインタラクションの振る舞いを示す。
  論文  参考訳（メタデータ） (2023-10-13T16:37:14Z)
• Detecting and Optimising Team Interactions in Software Development [58.720142291102135]
  本稿では,ソフトウェア開発チームの機能的相互作用構造を検出するためのデータ駆動型手法を提案する。 このアプローチでは、チームメンバのアクティビティレベルの違いを考慮し、ブロック制約設定モデルを使用します。 我々のアプローチは、チームが合成されたベンチマークシナリオと機能的な相互作用構造を比較するのにどのように役立つかを示します。
  論文  参考訳（メタデータ） (2023-02-28T14:53:29Z)

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。