日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

言語エージェントarXiv:2606.02388

言語エージェントのための方策と世界モデルの同時学習

Policy and World Modeling Co-Training for Language Agents

シェア:XThreadsFacebookLINEはてブBluesky

強化学習のロールアウトから得られる遷移データを利用し、方策学習と同時に世界モデルを補助的に学習するフレームワークPaWを提案。推論時の追加コストなしでエージェント性能を向上させる。

詳しい要約

1. どんなもの?

- LLMエージェントのRL訓練において、policyとworld modeling (WM)を同時に学習するフレームワークPaWを提案。 - on-policy RLのrolloutに含まれる遷移(actionとnext observationのペア)をWMの教師信号として活用。 - 推論パラダイムを変えずに補助的なWM監督を追加する。

2. 先行研究と比べてどこがすごい?

- 既存のWM手法は別途シミュレータ、追加の訓練段階、推論時計算を必要とすることが多い。 - PaWは標準的なRL rolloutからWM監督を得るため、追加のリソースや推論変更が不要。 - 強いRLベースラインに対して一貫した改善を示す。

3. 技術・手法の肝は?

- on-policy RL rolloutの各遷移をWMデータとして利用。 - 三つのコンポーネント: action-entropy-based WM data selection、noise-tolerant WM loss、reward-adaptive loss balancing。 - これらにより補助WM監督を情報豊富かつ安定に。

4. どうやって有効だと検証した?

- 三つのagentic task benchmarksで実験。 - 複数のモデルとRLアルゴリズムにわたり、強いRLベースラインを一貫して上回る。

5. 議論はある?

- 標準的なRL rolloutが言語エージェント訓練のための実用的なWM監督源であることを示唆。 - 限界や課題については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の関連手法として、RLHF、PPO、world models、model-based RLなどが考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ning Lu, Baijiong Lin, Shengcai Liu, Jiahao Wu, Haoze Lv, Yanbin Wei, Lingting Zhu, Shengju Qian, Xin Wang, Ying-Cong Chen, Qi Wang, Ke Tang

分類: cs.LG, cs.AI

原文アブストラクト

Reinforcement learning (RL) improves large language model (LLM) agents by teaching them which actions lead to high rewards, but provides little supervision on what those actions do to the environment. World modeling (WM) can fill this gap, yet existing approaches often require separate simulators, extra training stages, or additional inference-time computation. We observe that on-policy RL rollouts already contain the needed signal: each transition pairs an action with its resulting next observation. Based on this observation, we propose PaW, a Policy and World modeling co-training framework that adds auxiliary WM supervision to the same policy during RL, without changing the inference paradigm. To make auxiliary WM supervision informative and stable, PaW introduces three components: action-entropy-based WM data selection, noise-tolerant WM loss, and reward-adaptive loss balancing. Experiments on three agentic task benchmarks show consistent improvements over strong RL baselines across models and RL algorithms. These results suggest that standard RL rollouts are a practical source of WM supervision for language-agent training.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI