AgentOdyssey: Open-eindige generatie van langetermijn-tekstspellen voor continue leeragents tijdens testtijd

Samenvatting

Om agenten in staat te stellen continu te leren door interactie met de wereld tijdens het testen, moeten ze effectief kunnen verkennen, nieuwe wereldkennis en vaardigheden kunnen verwerven, relevante episodische ervaringen kunnen onthouden en over lange tijdsperioden kunnen plannen. Om deze essentiële vaardigheden van agenten voor continu leren tijdens het testen te evalueren, introduceren we AgentOdyssey, een nieuw evaluatiekader dat procedureel open-ended tekstspellen genereert met rijke entiteiten, werelddynamieken en langdurige taken. Belangrijk is dat AgentOdyssey verder gaat dan de conventionele machine learning-aanname dat leren niet plaatsvindt tijdens het testen, door agenten in een continue, langdurige omgeving te plaatsen die leren en inferentie gedurende de gehele implementatie afwisselt. We stellen verder een veelzijdige evaluatiemethodologie voor die niet alleen de spelvoortgang meet, maar ook diagnostische tests biedt voor het verwerven van wereldkennis, episodisch geheugen, verkenning van objecten en acties, actiediversiteit en modelkosten. We evalueren verschillende agentparadigma's in de gegenereerde spellen. Onze experimentele resultaten onthullen kritische beperkingen in de essentiële vaardigheden van agenten, evenals factoren die hun betekenisvolle horizon beïnvloeden. Hoewel de prestaties schalen met sterkere basismodellen, blijft zelfs de beste agent ver onder de menselijke prestaties, wat aanzienlijke ruimte voor verbetering biedt. Onder de agentmechanismen zien we dat kortetermijngeheugen meerdere agentparadigma's ten goede komt en een belangrijk onderdeel is van de training van agenten tijdens het testen.

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.