研究とモデル 2026年10月27日

トレンド · プレプリント 10 月 24 日

TavernAgent、上位十人を上回る——環境は著者作

南京大学の Changlian Ma 氏と Limin Wang 氏のプレプリントでは、LLM エージェントが 20 日かけて『ハースストーン バトルグラウンド』のシミュレーション環境を作り、専用のエージェントを訓練した。このエージェントは直近 20 戦の平均順位でサーバー上位十人のプレイヤーを上回り、著者は LLM エージェントは遊ぶ側より作る側としてはるかに強いと結論づけた。 バトルグラウンドは八人対戦のオートバトラーで、隠れた情報と、互いに作用する千枚近いカードがある（arXiv 2610.33845、2026-10-24）。要旨によれば、研究用のエージェントは 20 日でシミュレーター TavernGym、対戦相手、戦略を作り、強化学習で訓練した TavernAgent を 23 版作った。TavernAgent は直近 20 戦で平均順位 1.60、80% で一位だった。サーバー上位十人のプレイヤーは平均順位 2.34、一位率 59% だ。上位十人の数字の対戦数と期間は、要旨に書かれていない。著者が作った 960 問の対戦ベンチマークでは、TavernAgent の正答は 91% で、フロンティア LLM が直接プレイした場合は最高 63% だった。一手の判断に TavernAgent は 0.03 秒、LLM は 26 秒かかる。対象は一つのゲームだけで、環境とベンチマークは著者が作り、直近 20 戦の標本は小さい。目標の設定と曖昧なルールの裁定は今も人が担い、人がどれだけ介入したかは要旨に書かれていない。本紙の読みでは、エージェントの価値はオフラインで作る段階にあるのかもしれない。一手にかかる時間は、研究用エージェントが訓練した専用エージェントが 0.03 秒、フロンティア LLM が 26 秒だ。即時の実運用に載せられるかは、この差で決まる。遅延の差はモデルの種類の違いから来ている可能性もあり、要旨はそこを切り分けていない。 どう確かめたか →