摘要
本文提出 WorldEvolver，一种自进化世界模型框架，旨在通过修正部署时上下文来提升长程 LLM 智能体的规划前瞻性，同时保持下游智能体及模型参数冻结。该框架整合了利用真实动作转换的情景记忆、从预测偏差中提取启发式规则的语义记忆，以及过滤低置信度预测的选择性前瞻模块。实验表明，该方法在多个基准上显著提高了预测精度与智能体任务成功率，证明了测试时记忆修订对增强规划性能的有效性。
AI 推荐理由
论文核心是通过自进化世界模型提升 LLM 智能体的长程规划能力，直接解决规划中的前瞻性问题。
研究机构
National University of Singapore
Singapore University of Technology and Design
Singapore Management University
论文信息