AgentOdyssey : Génération ouverte de jeux textuels à long horizon pour agents d'apprentissage continu en temps de test

Résumé

Pour que les agents puissent apprendre en continu par interaction avec le monde lors de la phase de test, ils doivent être capables d’explorer efficacement, d’acquérir de nouvelles connaissances et compétences sur le monde, de retenir des expériences épisodiques pertinentes et de planifier sur de longs horizons. Afin d’évaluer ces capacités clés des agents d’apprentissage continu en phase de test, nous introduisons AgentOdyssey, un cadre d’évaluation novateur qui génère procéduralement des jeux textuels ouverts, riches en entités, dynamiques du monde et tâches à long horizon. De manière cruciale, AgentOdyssey dépasse l’hypothèse classique en apprentissage automatique selon laquelle l’apprentissage n’a pas lieu en phase de test, en plaçant les agents dans un cadre continu et à long horizon qui entremêle apprentissage et inférence tout au long du déploiement. Nous proposons en outre une méthode d’évaluation multidimensionnelle qui mesure non seulement la progression dans le jeu, mais propose également des tests diagnostiques sur l’acquisition de connaissances du monde, la mémoire épisodique, l’exploration d’objets et d’actions, la diversité des actions et le coût du modèle. Nous évaluons différents paradigmes d’agents dans les jeux générés. Nos résultats expérimentaux révèlent des limites critiques dans les capacités clés des agents, ainsi que les facteurs qui influencent leur horizon pertinent. Bien que les performances augmentent avec des modèles de base plus puissants, même le meilleur agent reste bien en deçà des performances humaines, laissant une marge d’amélioration considérable. Parmi les mécanismes d’agents, nous constatons que la mémoire à court terme bénéficie à plusieurs paradigmes d’agents et constitue un composant important de l’entraînement de l’agent en phase de test.

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.