論文の概要: Towards Robust Long-Lived Agents: Benchmarking Experience Lifecycles in Evolving Environments

• arxiv url: http://arxiv.org/abs/2611.05450v1
• Date: Tue, 03 Nov 2026 17:57:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.81097
• Title: Towards Robust Long-Lived Agents: Benchmarking Experience Lifecycles in Evolving Environments
• Title（参考訳）: ロバストな長寿命エージェントを目指して:進化する環境におけるライフサイクルのベンチマーク
• Abstract要約: ReScopeBenchは18のインタラクティブ環境にわたるエクスペリエンスライフサイクルのベンチマークである。 保持された経験はタスクのパフォーマンスを向上させるが、エージェントは環境の変化に応じて現在の状態を維持するのに苦労している。 これらの結果から,長期間の薬剤の相補的課題として,選択的維持と有効利用が確認された。
• 参考スコア（独自算出の注目度）: 41.92369740481612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As agents become more capable, they are moving beyond one-off tasks toward sustained assistance across successive user goals. Such assistance requires agents to discover how unfamiliar environments work, reuse what they learn across tasks, and keep that experience current as environments evolve. Existing benchmarks increasingly study experience reuse and adaptation, but provide limited insight into which parts of accumulated experience agents revise, retain, or lose. To address this gap, we introduce ReScopeBench, a benchmark for the experience lifecycle across 18 interactive environments. It distinguishes structural experience about how an environment is organized and accessed from rule experience about reusable principles and constraints that guide decisions across tasks. To study how experience is acquired, reused, and revised, we propose an experience-first construction approach. It builds task streams around shared experience and introduces silent environmental changes. We evaluate task performance and track changes in saved experience throughout each stream. Across 20 models, we find that retained experience improves task performance, but agents struggle to keep it current as environments change. Even when the required experience is correctly recorded, agents do not always complete tasks successfully. These findings identify selective maintenance and effective use as complementary challenges for long-lived agents.
• Abstract（参考訳）: エージェントがより有能になるにつれて、彼らは連続したユーザー目標を越えて持続的な支援に向かってワンオフタスクを超えて進んでいる。 このような支援は、エージェントが不慣れな環境がどのように機能するかを発見し、タスク間で学んだことを再利用し、環境が進化するにつれてその経験を維持する必要がある。 既存のベンチマークでは、再利用と適応についての研究が増えているが、蓄積された経験エージェントのどの部分が修正、維持、または喪失しているかについての限られた洞察を提供する。 このギャップに対処するために、18のインタラクティブ環境にわたるエクスペリエンスライフサイクルのベンチマークであるReScopeBenchを紹介します。 環境がどのように組織化され、アクセスされるかという構造的経験と、タスク全体にわたる決定を導く再利用可能な原則と制約に関するルール経験を区別する。 経験の獲得,再利用,改訂について検討するため,経験優先型建設手法を提案する。 共有エクスペリエンスを中心としたタスクストリームを構築し、サイレントな環境変化を導入する。 タスク性能を評価し,各ストリームの保存経験の変化を追跡する。 20モデルにまたがって、継続した経験はタスクパフォーマンスを向上させるが、エージェントは環境の変化に応じて現在の状態を維持するのに苦労している。 必要な経験が正しく記録されたとしても、エージェントは常にタスクを完了させるとは限らない。 これらの結果から,長期間の薬剤の相補的課題として,選択的維持と有効利用が確認された。

関連論文リスト

• LifeMem: Enabling Lifelong Experience Reuse for LLM Agents [79.11224209641739]
  LifeMemは、エージェントが複数の環境にまたがって知識を伝達できるようにする、生涯学習フレームワークである。 LifeMemは、再利用可能なスキルを抽出するために、基礎となる軌跡に基づく相互作用軌跡を蓄積した。 その結果、LifeMemは生涯学習における効果的な体験再利用を可能にし、学習課題の忘れを減らし、より優れたタスク間移動を実現することができることがわかった。
  論文  参考訳（メタデータ） (2026-09-11T10:00:43Z)
• PATH-Bench: Path-Dependent Evaluation of Lifelong Agents [27.837334107109786]
  PATH-Benchは、生涯エージェントのパス依存評価のためのベンチマークである。 SEU(Selective Experience Use)は,経路蓄積経験が各タスクにどのように影響するかを制御するエージェントハーネスである。
  論文  参考訳（メタデータ） (2026-08-02T11:00:04Z)
• Tree-of-Experience: A Structured Experience-Management Solution for Self-Evolving Agents under Low-Repetition and Implicit-Reward Environments [7.400600301289333]
  暗黙の報酬を伴う低繰り返しタスク、過去の経験を再利用するのが難しく、フィードバックが遅れ、うるさい、そして結果レベル。 本研究では,エージェント体験の整理,検索,検証,更新を行う構造化経験管理手法であるTree-of-Experience(ToE)を提案する。
  論文  参考訳（メタデータ） (2026-06-05T06:39:16Z)
• Rethinking Experience Utilization in Self-Evolving Language Model Agents [51.10420305280499]
  自己進化剤は過去の相互作用から経験を蓄積し再利用することで改善する。 本稿では,自己進化型エージェントの重要設計次元としての利用経験について考察する。
  論文  参考訳（メタデータ） (2026-05-08T02:48:49Z)
• Autonomous Continual Learning of Computer-Use Agents for Environment Adaptation [57.65688895630163]
  ACuRLは自律的なカリキュラム強化学習フレームワークで、エージェントを人間データゼロの特定の環境に継続的に適応させる。 本研究では,環境内学習と環境横断学習の両方を効果的に実現し,既存の環境を忘れずに4～22%の性能向上を実現した。
  論文  参考訳（メタデータ） (2026-02-10T23:06:02Z)
• Agent Learning via Early Experience [93.83579011718858]
  言語エージェントの長期的な目標は、彼ら自身の経験から学び、改善することであり、最終的には複雑な現実世界のタスクにおいて人間より優れています。 現在のエージェントのほとんどは、専門家データによる教師付き微調整に依存しており、スケールと一般化が不十分である。 本研究では,(1)環境力学における政策の基盤として収集された状態を利用するインプリシット・ワールド・モデリング,(2)エージェントが最適な行動から学習し,推論と意思決定を改善するための自己回帰という2つの手法について検討する。
  論文  参考訳（メタデータ） (2025-10-09T17:59:17Z)

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。