Hugging Face、エージェント強化学習手法「EnvACE」を公開

記事の3ポイント

1. 1

   世界リハーサルの導入

   EnvACE は外部環境とのインタラクションを不要とし、ポリシーが行動と環境応答の役割を交互に演じる「世界リハーサル」によって訓練を行う。

2. 2

   パラメータ内への学習

   この手法により、アクションとその環境応答の関係性がモデルのパラメータ内部に統合され、意思決定を直接支援するエージェント用ワールドモデルが構築される。

3. 3

   ベンチマークでの高性能

   BFCL-v4 や FinMCP-Bench などの複数の基準において、環境スケーリングベースラインを上回る強力で移転可能な性能を示した。