Проблема параллельных реплик
Традиционные методы тестового масштабирования (Test-time scaling, TTS) для LLM-агентов требуют выполнения множества траекторий параллельно. Это возможно только при наличии реплик среды. В реальных корпоративных средах (Enterprise workspaces, облачные сервисы) это невозможно: ресурсы общие, состояние персистентное, а действия могут иметь необратимые побочные эффекты или конфликтовать друг с другом.
Решение: Agentic World Modeling (AWM)
Авторы предлагают AWM, который переосмысливает предсказание следующего наблюдения как задачу многошагового сбора доказательств. Вместо генерации состояния «в голове» или сжатия его в один промпт, агентов-симуляторов адаптируют запросы к реальной среде через безопасные интерфейсы только для чтения (read-only). Они анализируют полученные данные и используют исполняемые вычисления для построения наблюдения, не мутируя общее состояние.
Результаты бенчмарков
Интеграция AWM с траекторным TTS позволяет проводить параллельное исследование в единой общей среде. Метод демонстрирует значительное превосходство над базовыми моделями:
| Бенчмарк | Улучшение над Single-shot simulation | Улучшение над Trained world-model |
|---|---|---|
| Среднее значение (Average) | +40.07% | +12.36% |
| Тестовые наборы | $ au$-bench, AppWorld, OfficeBench | |
Значение для индустрии
Результаты доказывают, что интерактивная симуляция, основанная на реальных данных (read-grounded), является практической основой для безопасного и масштабируемого тестового масштабирования агентов в сложных, не сбрасываемых (non-resettable) средах.
Источник: arXiv cs.AI ↗