Agent-Editing World Model: Rethinking World Modeling for LLM Agents
Aggiunta all'archivio di AIChronos il (numero del 25 settembre 2026 ricostruito)· fonte del · Shuang Sun, Guoxin Chen, Fanzhe Meng, Jia Deng, Huatong Song, Jinhao Jiang (Renmin University of China)
Il paper propone l'Agent-Editing World Model (AEWM), un approccio che modella come il ragionamento e le azioni influenzano i futuri progressi del task invece di simulare risposte degli strumenti. AEWM integra Action Judge per distinguere decisioni critiche, esplorative o rumorose e State Revision per correggere direttamente lo stato sottostante alle decisioni successive tramite EditAct. Il modello è addestrato su domini come Search, Terminal e Software Engineering combinando mid-training e supervised fine-tuning. I risultati mostrano un miglioramento significativo sui benchmark d'azione rispetto ai baseline esistenti.
- AEWM evita la ricostruzione di risposte degli strumenti a alta entropia quando è disponibile feedback reale per ridurre il task-state contamination.
- Action Judge classifica le decisioni in Critical, Exploratory e Noisy raggiungendo un macro-F1 del 70.5% sul benchmark proposto.
- EditAct modifica direttamente lo stato sottostante alle decisioni successive invece di fornire solo critiche testuali.
- La variante AEWM-RFT utilizza rejection sampling fine-tuning su traiettorie verificate, superando Self-RFT senza guida online.
- L'approccio migliora i punteggi medi sui benchmark da 3.2 a 6.7 punti rispetto al baseline più forte in tre backbone di agenti.
Perché conta. Questa architettura è rilevante per gli sviluppatori che lavorano con LLM e agenti perché risolve il problema della contaminazione dello stato del task, migliorando l'affidabilità delle decisioni autonome senza dipendere da simulazioni inaccurate degli strumenti.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.