ALFWorld

2026-10-23

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

D-Skill: дистилляция знаний черного ящика-учителя в навыки на естественном языке

D-Skill — это методика, которая анализирует парные прогонки учителя и студента, чтобы извлечь интерпретируемые навыки на естественном языке, которые студент получает во время вывода. Построенная полностью офлайн на фиксированных траекториях без дальнейшего взаимодействия со средой или обновления весов, D-Skill сокращает разрыв в производительности учитель–студент на 75%–95% для SpreadsheetBench-Verified, ALFWorld и шахматных задач, превосходит SFT с одной эпохой после одного офлайн-прохода, сопоставима с многоэпохной SFT и обеспечивает в 5.7–8.3 раза меньшую стоимость вывода на задачу для студента.

7.0

2026-10-23

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

SPEM: структура-осознанная процедурная память для эффективного использования навыков в агентах на основе LLM (предпубликация arXiv)

В статье предложена SPEM — легковесная структура-осознанная процедурная память, которая хранит Atomic Skill Memory для отдельных навыков и Skill-DAG Memory для повторно используемых композиций; для выбора навыков используется Skill-GNN, а успешные выполнения сохраняются как новые Skill-DAG. На ALFWorld и SkillsBench SPEM достигает 87,1% успеха в ALFWorld и 38,38% награды в SkillsBench при снижении затрат по токенам и времени выполнения по сравнению с сильными базовыми методами.

7.0

2026-10-21

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

M-Plan: замкнутая многоагентная система с долгосрочной и краткосрочной памятью для LLM-агентов

M-Plan — это замкнутая многоагентная система, объединяющая долгосрочную и краткосрочную память с помощью глобально-локального и прошлое‑текущее ориентированного руководства по задачам. В статье (arXiv:2610.27032v1) описаны генерация подсказок во время выполнения, локальные подсказки при затруднениях, оптимизация памяти после задачи и показано улучшение точности и эффективности на многотуровых наборах ALFWorld, WebShop и PDDL по сравнению с базовыми методами.

6.0

2026-10-16

RESEARCH · 1 ИСТОЧН. · InfoQ AI, ML & Data Engineering

Google опубликовала EnvHarness: адаптация сред обучения для самоэволюционирующих агентов

Исследователи Google открыли исходный код EnvHarness — фреймворка, который оборачивает статические среды через стандартные reset()/step() и применяет составные изменения (setup, rule, link), чтобы среда адаптировалась к слабостям агента без изменения базовой среды или верификаторов. В комплект входит EnvRigger — автоматический цикл, анализирующий роллауты агента для генерации и проверки целевых правок среды; по данным Google, это даёт стабильный прирост производительности (~2,9–3,7 процентных пункта) на WebArena, SWE-bench Verified и ALFWorld для моделей вроде Gemini, Qwen и Claude Sonnet.

7.0

2026-10-12

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

EvoBelief: статья о фальсифицируемых моделях мира для самосовершенствующихся «замороженных» LLM (arXiv v1)

EvoBelief — саморазвивающаяся модель мира, представляющая знания об окружении в виде фальсифицируемых гипотез: неожиданные результаты инициируют формирование гипотез и их контролируемую валидацию прежде, чем правила используются для предсказаний или планирования, при этом веса языковой модели остаются неизменными. На ALFWorld, MiniGrid и в лаборатории DiscoveryWorld модель повышает успех по сравнению с сопоставимой Frozen World Model на 23,9% с Claude Haiku 4.5 и на 31,3% с GPT-5.4, восстанавливается после скрытых изменений динамики в MiniGrid и находит подтверждённые количественные законы в DiscoveryWorld (83,3% Normal-tier, 58,3% Challenge-tier против 0% у базовых методов).

7.0

2026-10-09

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Plan-and-Patch: диффузионные LLM для генерации и починки долгосрочных планов

Статья представляет Plan-and-Patch — фреймворк, в котором диффузионная языковая модель (dLLM) генерирует структурированные, похожие на программы планы с параллельным размаскированием и восстанавливает части плана, заполняя выделенные регионы при сохранении соседних шагов. Сравнение DreamReasoner-8B (диффузия) и Qwen3-8B (авторегрессия) показывает: на Natural Plan без дообучения диффузия достигает 53.7% успеха починки плана против 27.0% у AR; после дообучения на ALFWorld и TextCraft показатели успеха становятся схожими, при этом диффузия сокращает среднюю задержку генерации плана на 39–46%.

6.0

2026-10-07

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

SAGA: абстрагирование знаний на основе опыта для самоэволюционирующих LLM-агентов (arXiv:2610.06964v1)

В работе представлен SAGA — фреймворк, который последовательно переводит траектории взаимодействий LLM-агента в иерархическую память (эпизодические описания, повторно используемые процедуры и принципы с условиями применимости), связанные с доказательной информацией исполнения. Извлекаемые принципы инстанцируются в задачно-специфические указания для уточнения действий, создавая петлю обратной связи и улучшая результаты на бенчмарках ScienceWorld и ALFWorld; абляции подчёркивают важность контекстной инстанциации и регулирования действий.

6.0

2026-10-02

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Тяжеловесные (heavy-tailed) следы памяти в долгосрочных языковых агентах (arXiv:2610.00010v1)

В препринте на arXiv исследуется, как внешняя память долгосрочных языковых агентов концентрируется на небольшом ядре часто извлекаемых состояний и оставляет редкие состояния в длинном «хвосте», где накапливаются ошибки предсказания; форма хвоста зависит от политики (логнормальное у случайных обходов vs совместимая с усечённым степенным законом у семантических LLM-политик). Авторы предлагают Core--Tail World Model (CTWM) — ранговый контроллер памяти, распределяющий бюджет подсказки с единым показателем τ и сохраняя суммированный хвост; на Synthetic Graph World CTWM сохраняет покрытие состояний/переходов, сокращает токены подсказки на 5.9% и снижает ошибку в нижней половине хвоста на 13.6% относительно графовой памяти, также демонстрирует экономию токенов на ALFWorld и 24.48% снижение на LongMemEval при паритете точности в целом.

6.0

2026-10-02

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

GAVA: Обоснованный арбитраж пользовательских исправлений для текстовых воплощённых агентов (arXiv:2610.00282v1)

В статье формулируется «обоснованный арбитраж исправлений» — механизм, позволяющий агенту принимать, отклонять, инспектировать или запрашивать уточнения при сомнительных пользовательских исправлениях — и представлен GAVA, использующий ограниченные наблюдения, юридические зондирования и одношаговое правило ожидаемых потерь. В текстовой среде ALFWorld GAVA достигает почти идеальной точности исправлений и снижает стоимость взаимодействия за счёт выборочной проверки с семантическим приором, но исследование ограничено символическими наблюдениями, контролируемыми говорящими и не включает людей, визуальные данные или роботов.

6.0

2026-10-02

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Когда интерфейсы теряют сигнал: причинная оценка восстановления в агентах на LLM и Causal Intervention Router (CIR)

Статья рассматривает восстановление в агентах на LLM как причинную задачу принятия решений, сравнивая исходы из одного и того же состояния выполнения с вмешательством и без него, чтобы отделить спасение от вреда и отследить изменение ценности восстановления во времени. Авторы предлагают Causal Intervention Router (CIR) — лёгкую политику, решающую, стоит ли вмешиваться на основе информации до восстановления; на задачах ALFWorld с Qwen3-14B CIR повысил успех с 70.33% до 73.33%, не меняя траектории с корректными наблюдениями, а контролы показывают, что эффект не сводится только к новому наблюдению из среды.

6.0

2026-09-18

RESEARCH · 1 ИСТОЧН. · arXiv cs.AI

Статья предлагает «checkpoint handoff» для разделения эффектов REACH и SOLVE в агентном RL

Статья на arXiv (2609.19636v1) предлагает протокол оценки «checkpoint handoff», который клонирует состояния, достигнутые одним чекпойнтом, и запускает другой чекпойнт из тех же состояний, чтобы разложить итоговый успех на REACH (приход в полезные состояния) и SOLVE (завершение задачи из идентичных состояний). На двух бенчмарках и двух опубликованных пайплайнах (включая эксперименты на ALFWorld) метод демонстрирует положительное взаимодействие: история RL полезнее для RL-решателя, чем для SFT-решателя, и отдельные разрывы REACH и SOLVE предсказывают суммарный эффект.

7.0