AgentOdyssey: Generierung offener, langfristig angelegter Textspiele für Agenten mit kontinuierlichem Lernen zur Testzeit

Zusammenfassung

Damit Agenten während der Testphase kontinuierlich aus der Interaktion mit der Welt lernen können, müssen sie in der Lage sein, effektiv zu erkunden, neues Weltwissen und neue Fähigkeiten zu erwerben, relevante episodische Erfahrungen zu behalten und über lange Horizonte zu planen. Um diese Schlüsselfähigkeiten von Agenten für kontinuierliches Lernen zur Testzeit zu bewerten, stellen wir AgentOdyssey vor, ein neuartiges Bewertungsframework, das prozedural offene Textspiele mit reichhaltigen Entitäten, Weltdynamiken und langfristigen Aufgaben generiert. Entscheidend ist, dass AgentOdyssey über die konventionelle Annahme des maschinellen Lernens hinausgeht, dass Lernen während der Testphase nicht stattfindet, indem es die Agenten in eine kontinuierliche, langfristige Umgebung versetzt, die Lernen und Inferenz während des gesamten Einsatzes verschränkt. Wir schlagen außerdem eine vielschichtige Bewertungsmethodik vor, die nicht nur den Spielfortschritt misst, sondern auch diagnostische Tests zum Erwerb von Weltwissen, episodischem Gedächtnis, Erkundung von Objekten und Aktionen, Aktionsvielfalt und Modellkosten bietet. Wir evaluieren verschiedene Agentenparadigmen in den generierten Spielen. Unsere experimentellen Ergebnisse zeigen kritische Grenzen in den Schlüsselfähigkeiten der Agenten sowie Faktoren, die ihren sinnvollen Horizont beeinflussen. Obwohl die Leistung mit stärkeren Basismodellen skaliert, bleibt selbst der beste Agent weit unter der menschlichen Leistung, sodass ein erheblicher Spielraum für Verbesserungen besteht. Unter den Agentenmechanismen stellen wir fest, dass das Kurzzeitgedächtnis mehreren Agentenparadigmen zugutekommt und eine wichtige Komponente des Testzeittrainings von Agenten ist.

English

For agents to learn continuously from interaction with the world at test time, they must be able to explore effectively, acquire new world knowledge and skills, retain relevant episodic experiences, and plan over long horizons. To evaluate these key abilities of test-time continual learning agents, we introduce AgentOdyssey, a novel evaluation framework that procedurally generates open-ended text games with rich entities, world dynamics, and long-horizon tasks. Critically, AgentOdyssey goes beyond the conventional machine learning assumption that learning does not occur at test time by placing agents in a continuous, long-horizon setting that interleaves learning and inference throughout deployment. We further propose a multifaceted evaluation methodology that measures not only game progress but also offers diagnostic tests on world knowledge acquisition, episodic memory, object and action exploration, action diversity, and model cost. We evaluate diverse agent paradigms in the generated games. Our experimental results reveal critical limits in agents' key abilities, as well as factors that influence their meaningful horizon. Although performance scales with stronger base models, even the top agent remains far below human performance, leaving substantial headroom for improvement. Among agent mechanisms, we find that short-term memory benefits multiple agent paradigms and is an important component of agent test-time training.