日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

長期的エージェントarXiv:2610.18082

信念更新と世界モデルによる長期的エージェントの失敗回復

Failure Recovery via Belief Updates and World Modeling for Long-Horizon Agents

シェア:XThreadsFacebookLINEはてブBluesky

長期的タスクにおける失敗回復のため、試行間の証拠を持続的に保持し、修復仮説を世界モデルで評価するフレームワークBELIEFWEAVERを提案。蒸留により9Bモデルでも性能向上とコスト削減を実現。

詳しい要約

1. どんなもの?

- 長期的なタスクを実行するエージェントが、数ステップ前の失敗から回復するためのフレームワークBELIEFWEAVERを提案。 - 試行間で持続的な証拠と修復方向の予測推論を組み合わせる。 - frontier、attempt、observation、checkpointに関する関係的信念状態を維持する。 - 暗黙的世界モデル(IWM)が修復仮説を評価し、進捗を予測し、frontier間の関係を特定する。 - 9Bの生徒モデルに蒸留し、教師モデルへの依存を減らす。

2. 先行研究と比べてどこがすごい?

- 従来の局所的なリフレクションやバックトラッキングでは解決できない、数ステップ前の失敗原因に対処できる。 - 試行をまたいだ持続的な証拠と予測的推論を組み合わせる点が新しい。 - ネイティブのTerminus-2継続と比較して、最終スコアを5.1ポイント改善。 - 蒸留された9B生徒モデルは、報告されたネイティブベースラインより9.8ポイント改善し、教師APIコストを54.8%削減。

3. 技術・手法の肝は?

- 関係的信念状態を維持し、実行証拠がfrontierの優先度を更新し、診断証拠が実行をゲートする。 - 暗黙的世界モデル(IWM)が修復仮説を評価し、進捗を予測し、frontier間の関係を特定して探索を導く。 - 反復するIWM推論コンポーネントを教師あり微調整とオンポリシー蒸留(OPD)で9Bの生徒に蒸留。

4. どうやって有効だと検証した?

- 3つのターミナルベースのベンチマークで評価。 - 集計最終スコアがネイティブTerminus-2継続より5.1ポイント改善。 - 蒸留された9B生徒はネイティブベースラインより9.8ポイント改善し、教師APIコストを54.8%削減。 - 探索効率に正の傾向。

5. 議論はある?

- 持続的な証拠と予測的推論が長期的エージェントタスクの回復を改善し、教師モデル推論への依存を大幅に減らせることを示す。 - 具体的な限界や失敗ケース、計算コストの詳細は要旨からは不明。

6. 次に読むべき論文は?

- Terminus-2(ネイティブベースラインとして参照) - オンポリシー蒸留(OPD)(手法として参照) - 暗黙的世界モデル(IWM)(提案手法の一部) - 長期的エージェントの失敗回復に関する研究(一般的な関連分野)

※ 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: Xiyang Wu, Zhichao Liu, Shengxin zhang, Zongxia Li, Ming Li, Tianyi Zhou, Dinesh Manocha

分類: cs.LG

原文アブストラクト

Long-horizon agents often struggle to recover from failures whose causes lie several steps earlier, beyond what local reflection or backtracking can resolve. We introduce BELIEFWEAVER, a framework that combines persistent evidence across attempts with prospective reasoning over repair directions. It maintains a relational belief state over frontiers, attempts, observations, and checkpoints. Execution evidence updates related frontier priorities across attempts and rollback, while diagnostic evidence gates execution. An implicit world model (IWM) evaluates repair hypotheses, predicts progress, and identifies relations among frontiers to guide exploration. We further distill these recurring IWM reasoning components into a 9B student through supervised fine-tuning and on-policy distillation (OPD). Across three terminal-based benchmarks, BELIEFWEAVER improves aggregate final score by 5.1 percentage points over native Terminus-2 continuation, with positive trends in exploration efficiency. The distilled 9B student improves final score by 9.8 percentage points over the reported native baseline while reducing estimated teacher API cost by 54.8% relative to the matched teacher. These results show that persistent evidence and prospective reasoning can improve recovery in long-horizon agent tasks while substantially reducing reliance on teacher-model inference.

  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI