コード生成ポリシーエージェントの自己修復を再考する：再試行成功を決める要因は何か

- 本研究は、Code-as-Policy エージェントにおける失敗後の retry 成功要因を分析するもの。 - シミュレーション上の robot manipulation タスクを対象とする。 - 同一の 252 件の初期失敗に対し、Qwen2.5-Coder-7B が 5 回の retry 以内に 85.3% を回復することを報告。 - 失敗特異的な feedback の寄与が不明瞭である点を問題提起する。

- 従来は execution feedback による retry 改善が注目されがちだが、追加 sampling や task guidance の効果と混同されていた。 - 本研究は同一初期失敗集合で比較し、feedback の寄与を切り分ける。 - 同じ retry 上限で resampling は 68.3% 回復にとどまり、feedback が上回る。 - 固定 total-token budget 下でも優位が持続する点を示す。

- 失敗ラベルと API variant に基づき固定 lookup で feedback template を選択する。 - 各 scene reset 後に frozen code model が新規 program を生成する。 - 同一 252 初期失敗に対し retry 条件を比較する設計。 - 他 episode からの feedback、固定 task guidance、coarse failure label の一致有無も比較する。

- シミュレーション robot manipulation で 252 件の初期失敗を対象に検証。 - Qwen2.5-Coder-7B で 5 retry 以内の回復率を比較。 - 固定 total-token budget 下でも比較。 - 別 study で初回から固定 guided prompt を用いる条件と template-based feedback の overall success rate を比較。 - nut-insertion タスクで rim grasp が必要な場合の回復低下も確認。

- 他 episode からの feedback や固定 task guidance でも同程度の回復点推定値が得られ、coarse failure label の一致に利点は検出されず。 - 固定 guided prompt は template-based feedback と同程度の overall success rate を示す。 - nut-insertion では center-grasp instruction が rim grasp と不整合で回復を低下させる可能性。 - robot self-repair 評価には resampling、mismatched feedback、簡潔で task-compatible な static guidance を baseline として含めるべきと議論。

- 要旨で比較されている resampling、mismatched feedback、fixed task guidance、template-based feedback の各手法。 - 関連する Code-as-Policy agent および execution feedback を用いる code generation 研究。 - 同分野の定番として robot manipulation における LLM-based code policy 研究。