世界モデルによるシミュレーティブ推論を通じた汎用エージェント計画

- エージェントの計画手法として simulative reasoning を提案する研究。 - 人間の System II に相当する、内部 world model 上で候補行動の結果を心的にシミュレーションする計画能力を主張。 - これを実装した SiRA (Simulative Reasoning Architecture) を導入。 - LLM-based world model と自然言語の belief states を用い、model-agnostic な goal-oriented アーキテクチャ。 - 対象は web-browser 環境でのエージェント的意思決定。

- 既存の agentic systems は scaffolded workflows や end-to-end policies による reactive decision-making (System I) に依存。 - 固定手続きで次行動を選び、chain-of-thought 程度の未分化な adaptive computation しか持たず、将来結果の明示的モデリングを欠く。 - 提案手法は予測された将来状態に基づいて意思決定し、pattern-matched responses から脱する点が異なる。 - タスクごとの再設計ではなく共有推論能力の転移を狙う点が先行研究との差異。 - 具体的な比較対象名は要旨からは不明。

- LLM-based world model を用いて候補行動の帰結をシミュレーションする simulative reasoning を実装。 - 状態表現は自然言語の belief states。 - goal-oriented なアーキテクチャ SiRA として具体化。 - model-agnostic に設計され、特定モデルに依存しない。 - reactive な System I に対し、counterfactual evaluation を伴う System II 的計画を行う点が肝。

- web-browser 環境で3種の質的に異なるタスクカテゴリを評価。 - constrained navigation - multi-hop information aggregation - general instruction following - 全カテゴリで matched reactive baseline 比最大 124% 高い task completion rates。 - constrained navigation では代表的な open-web agent 比で成功率 0% から 32.2% へ向上。 - 異種タスクでの持続的優位から、タスク特化 tuning ではなく汎用的 counterfactual evaluation に由来すると示唆。

- 異なるタスク種別で一貫した優位性が得られ、汎用的 counterfactual evaluation の効果を示唆。 - 一方、world model の忠実度や belief states の表現限界、計算コスト、失敗事例の分析は要旨からは不明。 - 比較対象の reactive baseline や open-web agent の詳細、統計的有意性も要旨からは不明。

- 要旨で参照/比較されている reactive baseline や代表的な open-web agent の原論文。 - LLM-based world model を用いた model-based planning 関連研究。 - chain-of-thought など adaptive computation を用いる agentic systems の研究。 - System I / System II 推論や simulative reasoning に関する認知・推論研究。