从痕迹到智能体世界：用于交互式环境模拟的智能体语言世界模型
TLDR
Trace2Env利用历史痕迹构建智能体语言世界模型，无需可执行环境即可进行有状态环境模拟。
评分理由
Strengths include a novel learning-free paradigm, strong empirical validation across nine environments, and improved interaction consistency over prompt-based LWMs. Weaknesses are limited to language-based simulation with no video or dynamic visual modeling, and unknown scalability to complex environments.
Read-first 评分解释
综合优先阅读分 34.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 42。
研究版图角色
前沿论文
排序敏感性
稳定性：volatile；排名波动范围：327。
关键词评分
深度分析
创新点
- 提出智能体语言世界建模，让世界模型智能体充当任务智能体的交互式环境，而非重建可执行环境。
- 引入Trace2Env，一种无需学习的框架，将历史交互痕迹重建为可复用的环境世界手册，包含环境模式、基于证据的事实和归纳出的行为知识。
- 在运行时使用持久的情节状态，由世界模型智能体查阅worldbook以推断每个动作的观测结果和持久状态影响。
- 将基于痕迹的智能体语言世界建模定位为一种替代方向，无需重建原始可执行系统即可构建现实环境副本。
方法
Trace2Env将可用的历史交互痕迹重建为可复用的世界手册，其中包含环境模式、基于证据的事实和归纳出的行为知识。运行时，世界模型智能体查阅该世界手册，并结合持久的情节状态为任务智能体推断观测结果和状态影响。该框架在九个环境中与传统的基于提示的语言世界模型进行比较，评估指标包括下一观测保真度、长程交互一致性以及任务智能体动作的重放有效性。
关键结果
在九个环境中，Trace2Env在下一观测保真度和长程交互一致性上均优于传统的基于提示的语言世界模型。针对Trace2Env生成的任务智能体动作在真实环境中重放时仍更常保持有效，表明其在多轮交互中更好地保留了动作后果。