用于 LLM 智能体规划自进化世界模型

该论文介绍了 WorldEvolver，这是一个框架，通过在不修改模型参数的情况下修订部署时的上下文，为长视界 LLM 智能体提供可靠的预见能力。它通过一种自进化的方法解决因预测不可靠而导致决策质量下降的问题，从而提升预测保真度和规划性能。

• 情景记忆检索真实动作转换以用于模拟。
• 语义记忆从预测与观察的不匹配中提取持久的启发式规则。
• 选择性预见在整合前过滤低置信度的预测。
• 在 ALFWorld 和 ScienceWorld 上评估，它在三个骨干模型中实现了最高的预测准确率。
• 在 AgentBoard 上测量的下游智能体成功率方面领先于其他基线。

这种方法表明，测试时记忆修订显著提高了世界模型预测的准确性以及智能体规划任务的整体成功率。