本論文は、WorldEvolverを紹介しています。これは、モデルパラメータを変更せずにデプロイメント時のコンテキストを更新することで、長期ホライゾンのLLMエージェントに信頼性の高い先見性を備えさせるフレームワークです。予測の信頼性低下による意思決定の劣化という課題に対し、自己進化型アプローチを通じて予測忠実度と計画パフォーマンスを向上させます。

  • エピソードメモリは、シミュレーションのために実際のアクション遷移を取得します。
  • セマンティックメモリは、予測と観察の不整合から永続的なヒューリスティックルールを抽出します。
  • 選択的先見性は、統合前に低信頼度の予測をフィルタリングします。
  • ALFWorldおよびScienceWorldで評価され、3つのバックボーン間で最高予測精度を達成しました。
  • AgentBoardで測定されたダウンストリームエージェント成功率において、他のベースラインを上回ります。

このアプローチは、テスト時のメモリ更新がワールドモデルの予測精度とエージェント計画タスクの全体的な成功率の両方を大幅に向上させることを示しています。