LLM 에이전트 계획을 위한 자기 진화 세계 모델

본 논문은 WorldEvolver를 소개합니다. 이는 모델 매개변수를 수정하지 않고 배포 시 컨텍스트를 수정하여 장기 지평 LLM 에이전트에 신뢰할 수 있는 예측력을 갖추게 하는 프레임워크입니다. 이는 예측의 불확실성이 의사결정을 저하시키는 문제를 해결하기 위해 예측 충실도와 계획 성능을 향상시키는 자기 진화 접근 방식을 사용합니다.

• 에피소드 메모리는 시뮬레이션을 위해 실제 액션 전이를 검색합니다.
• 시맨틱 메모리는 예측-관측 불일치에서 영구 휴리스틱 규칙을 추출합니다.
• 선택적 선견은 통합 전에 낮은 신뢰도 예측을 필터링합니다.
• ALFWorld 및 ScienceWorld에서 평가되었으며, 세 가지 백본에 걸쳐 가장 높은 예측 정확도를 달성했습니다.
• AgentBoard에서 측정된 다운스트림 에이전트 성공률에서 다른 베이스라인을 선도합니다.

이 접근 방식은 테스트 타임 메모리 수정이 세계 모델 예측의 정확도와 에이전트 계획 작업의 전체 성공률을 모두 크게 향상시킨다는 것을 보여줍니다.