証拠中心の能動的情報探索エージェントフレームワークEviSeek

- 本論文は、embodied active information seeking のための training-free なフレームワーク **EviSeek** を提案する。 - 対象は active embodied question answering で、agent が viewpoint 変更や物理的 interaction を通じて evidence を獲得する設定。 - 中心課題は「何の evidence を得るために行動するのか」を明示しない undirected interaction の回避。 - question から導いた evidence demands を明示的な獲得目標とし、observation-conditioned actions と選択的に保持する evidence を結びつける。

- 先行研究では action plans や蓄積された histories だけでは interaction の情報的目的が暗黙のままになりうる、という問題を指摘。 - EviSeek は question 由来の evidence demands を明示的な獲得目標として扱う点が特徴。 - 比較対象として Single-model agent が挙げられ、ESI-Bench 上で精度改善と token 使用量削減を報告。 - 具体的な先行手法名や詳細な比較条件は要旨からは不明。

- training-free な agentic framework として、question から evidence demands を生成し獲得目標として明示。 - observation-conditioned actions を、その行動が明らかにすべき evidence と関連づけて選択。 - 蓄積 history から evidence を選択的に保持し、質問回答に必要な情報へ組織化。 - 行動選択と evidence retention を「agent が何を学ぶ必要があるか」に基づいて構成する設計。 - 具体的なモジュール構成やプロンプト設計の詳細は要旨からは不明。

- **ESI-Bench** の 3,436 問で評価。 - Qwen3-VL-32B で Single-model agent 比 **+7.1 percentage points** の精度改善。 - Gemini 3.1 Pro で **+3.7 points** の精度改善。 - visual-support-weighted accuracy の改善と mean token usage の削減も報告。 - ベースラインや ablation の詳細設定は要旨からは不明。

- 著者らは、interaction の情報的目的を明示し、action selection と evidence retention を「質問に答えるために何を学ぶ必要があるか」に組織化することが有効だと主張。 - 精度向上と token 使用量削減の両立が示唆される。 - 限界、失敗事例、計算コスト、汎化性に関する議論は要旨からは不明。

- 比較対象として明示されている **Single-model agent** の研究。 - 評価に用いられた **ESI-Bench** の論文。 - 基盤モデルとして登場する **Qwen3-VL-32B** および **Gemini 3.1 Pro** の関連研究。 - 同分野の定番として active embodied question answering や embodied active information seeking の関連研究。