Dalle tracce ai mondi agentici: modelli linguistici del mondo agentici per la simulazione interattiva degli ambienti

Abstract degli autori

Le repliche realistiche degli ambienti sono sempre più utili per addestrare e valutare gli agenti basati su LLM, ma i sistemi originali possono essere inaccessibili o impossibili da riprodurre nella pratica. Esploriamo la modellazione agentica del mondo tramite il linguaggio: anziché ricostruire un ambiente eseguibile, un agente che funge da modello del mondo svolge il ruolo di ambiente per un agente incaricato di un compito, consentendo una simulazione fedele che mantiene lo stato. Realizziamo questo paradigma con Trace2Env, un framework che non richiede apprendimento, pensato per i casi in cui il sistema originale non è disponibile ma le tracce storiche delle interazioni restano accessibili. Trace2Env ricostruisce queste tracce in un worldbook riutilizzabile dell’ambiente, che contiene schemi dell’ambiente, evidenze ancorate e conoscenze sul comportamento inferite. Durante l’esecuzione, l’agente che funge da modello del mondo consulta attivamente il worldbook insieme a uno stato episodico persistente per inferire l’osservazione prodotta da ciascuna azione e i suoi effetti duraturi sullo stato. In nove ambienti, Trace2Env migliora sia la fedeltà dell’osservazione successiva sia la coerenza delle interazioni a lungo termine rispetto ai LWM convenzionali basati su prompt. Nelle interazioni su più turni, le azioni dell’agente incaricato del compito generate interagendo con Trace2Env restano valide più spesso quando vengono riprodotte nell’ambiente reale: ciò indica che le dinamiche simulate preservano meglio le conseguenze delle azioni precedenti nei turni successivi. Questi risultati mostrano che la modellazione agentica del mondo tramite il linguaggio è una strada alternativa per creare repliche realistiche degli ambienti senza ricostruire il sistema eseguibile originale.