Modèles du monde auto-évolutifs pour la planification d'agents LLM

L'article présente WorldEvolver, un cadre qui équipe les agents LLM à long terme d'une prévision fiable en révisant le contexte au moment du déploiement sans modifier les paramètres du modèle. Il traite du problème des prévisions peu fiables dégradant la prise de décision grâce à une approche auto-évolutive qui améliore la fidélité prédictive et la performance de planification.

• La mémoire épisodique récupère les transitions d'action réelles pour la simulation.
• La mémoire sémantique extrait des règles heuristiques persistantes à partir des écarts entre prédiction et observation.
• La prévision sélective filtre les prévisions peu fiables avant l'intégration.
• Évalué sur ALFWorld et ScienceWorld, il atteint la plus haute précision de prédiction parmi trois backbones.
• Il devance les autres méthodes de référence en taux de réussite des agents en aval mesuré sur AgentBoard.

Cette approche démontre que la révision de la mémoire au moment du test améliore significativement à la fois la précision des prédictions du modèle du monde et le taux de réussite global des tâches de planification d'agents.