ИССЛЕДОВАНИЕ · RESEARCH · #2991
Agentic World Modeling (AWM) позволяет масштабировать агентов в тесте без копирования среды (arXiv:2610.40927v1)
В новом препринте представлена методика Agentic World Modeling (AWM), которая переводит предсказание следующего наблюдения в многотуровую задачу сбора доказательств: для каждого гипотетического действия симулятор адаптивно делает только-читаемые запросы к реальной среде, анализирует полученные данные и с помощью исполняемых вычислений формирует наблюдения без изменения общего состояния. В сочетании с траекторным тестовым масштабированием AWM позволяет параллельное исследование одной общей ненастраиваемой среды и, по данным авторов, опережает одношотовую симуляцию в среднем на 40,07% и обученную модель мира на 12,36% по τ-bench, AppWorld и OfficeBench.
КЛЮЧЕВЫЕ ТЕЗИСЫ
- В новом препринте представлена методика Agentic World Modeling (AWM), которая переводит предсказание следующего наблюдения в многотуровую задачу сбора доказательств: для каждого гипотетического действия симулятор адаптивно делает только-читаемые запросы к реальной среде, анализирует полученные данные и с помощью исполняемых вычислений формирует наблюдения без изменения общего состояния.
- В сочетании с траекторным тестовым масштабированием AWM позволяет параллельное исследование одной общей ненастраиваемой среды и, по данным авторов, опережает одношотовую симуляцию в среднем на 40,07% и обученную модель мира на 12,36% по τ-bench, AppWorld и OfficeBench.
- AWM предлагает практичный способ безопасного и масштабируемого параллельного исследования для LLM-агентов в общих, не сбрасываемых средах за счёт многотуровой симуляции, основанной на чтении данных, вместо копирования или изменения среды.
ПОЧЕМУ ЭТО ВАЖНО
AWM предлагает практичный способ безопасного и масштабируемого параллельного исследования для LLM-агентов в общих, не сбрасываемых средах за счёт многотуровой симуляции, основанной на чтении данных, вместо копирования или изменения среды.