From Traces to Agentic Worlds: Agentic Language World Models for Interactive Environment Simulation
Aggiunta all'archivio di AIChronos il (numero del 9 ottobre 2026 ricostruito)· fonte del · Quanyu Long, Xiao Chen, Jianda Chen, Haozhen Zhang, Qisheng Hu, Jianzhu Bao (Nanyang Technological University Singapore)
Il paper introduce Trace2Env, un framework senza apprendimento (learning-free) che trasforma tracce storiche di interazioni in modelli linguistici del mondo agentic per simulare ambienti reali. Questo approccio permette a un agente modello mondiale di fungere da ambiente per agenti task-based, supportando una simulazione fedele e statale anche quando il sistema originale è inaccessibile. Il framework ricostruisce le tracce in un 'worldbook' contenente schemi ambientali ed evidenze groundate, permettendo all'agente di inferire osservazioni e effetti dello stato durante l'esecuzione.
- Trace2Env evita la ricostruzione del sistema eseguibile originale, utilizzando invece modelli linguistici agentic per simulare dinamiche ambientali fedeli.
- Il framework opera in scenari learning-free, rendendo le tracce storiche accessibili e riutilizzabili senza bisogno di addestramento aggiuntivo.
- La valutazione su nove ambienti mostra un miglioramento nella fedeltà dell'osservazione successiva e nella coerenza delle interazioni a lungo termine rispetto ai metodi basati sui prompt convenzionali.
- Gli azioni generate dall'agente task contro Trace2Env mantengono una maggiore validità quando riprodotte nell'ambiente reale, preservando meglio le conseguenze degli eventi precedenti.
Perché conta. Per gli sviluppatori che lavorano con LLM e agenti AI locali, questo approccio offre un modo pratico per simulare ambienti complessi senza dipendere dall'accesso al sistema fisico o dalla possibilità di ricostruirlo completamente.
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.