Steve-Evolving: 細粒度診断とデュアル・トラック知識蒸留によるオープンワールド体現型自己進化

要約: オープンワールドの具象エージェントは長期的なタスクを解決しなければならない。主なボトルネックは単一ステップの計画品質ではなく、相互作用の経験がどのように組織され、進化していくかである。これを目的として、Steve-Evolving を提案する。これは細粒度の実行診断を閉ループで二重の知識蒸留と緊密に結びつける非パラメトリックな自己進化フレームワークである。手法は三つのフェーズに従う：Experience Anchoring、Experience Distillation、Knowledge-Driven Closed-Loop Control。詳しくは、Experience Anchoring は各サブゴールの試行を固定スキーマ（前状態、行動、診断結果、後状態）を持つ構造化された経験タプルに固め、三層構造の経験空間に整理し、多次元インデックス（例：条件署名、空間ハッシュ、セマンティックタグ）とローリング要約を備えて、効率的で監査可能な想起を実現します。帰属のための十分な情報密度を確保するため、実行層は二値の結果を超える構成的な診断信号を提供します。これには状態差分の要約、列挙された故障原因、連続的な指標、停滞/ループ検出が含まれます。さらに、Experience Distillation の成功した経路は、明示的な前提条件と検証基準を備えた再利用可能なスキルへ一般化され、一方で失敗は根本原因を捉え、サブゴールとタスクの粒度の両方でリスクの高い操作を禁止する実行可能なガードレールへ蒸留されます。加えて、Knowledge-Driven Closed-Loop Control によって取得されたスキルとガードレールは LLM プランナーへ注入され、診断誘発型の局所リプランニングがオンラインでアクティブな制約を更新し、モデルパラメータの更新なしに継続的な進化プロセスを形成します。Minecraft MCU の長期的なタスク群を対象とした実験は、静的リトリーブベースラインより一貫した改善を示しました。