長期的なユーザーインタラクションを通じた具身化マルチモーダルLLMエージェントのパーソナライズ Personalizing Embodied Multimodal Large Language Model Agents over Long-term User Interactions
物理環境で動作するMLLMベースの具身化エージェントに長期ユーザー履歴を活用したパーソナライズ機能を組み込む研究。
English summary
- A research paper proposing personalization methods for MLLM-based embodied agents that adapt to individual users over extended interaction histories in physical environments.
本論文（arXiv:2605.26256）は、マルチモーダル大規模言語モデル（MLLM）を基盤とする具身化エージェントに対し、長期的なユーザーインタラクションを通じたパーソナライズを実現する手法を提案している。MLLMベースの具身化エージェントは複雑なタスクをこなせる一方、個々のユーザーの好みや習慣への適応が課題とされてきた。
研究では、ユーザーとの過去のやり取りを蓄積・活用することで、エージェントが個人の嗜好に合わせた行動を取れるよう設計する枠組みが検討されていると推測される。具体的な手法や評価結果については原文を参照されたい。
This paper (arXiv:2605.26256) addresses personalization for multimodal large language model (MLLM)-based embodied agents operating in physical environments. While such agents have demonstrated strong capabilities on complex tasks, adapting their behavior to individual users over time remains an open challenge the authors aim to tackle.
The proposed approach appears to leverage long-term interaction histories to enable agents to learn and reflect user-specific preferences and habits. The paper likely introduces a framework or benchmark for measuring personalization quality in embodied settings, though the precise methodology and experimental results should be verified at the source.
Published in May 2026, this work sits at the intersection of embodied AI, multimodal reasoning, and user modeling—an emerging area as LLM-based agents are increasingly deployed in real-world, human-facing scenarios.
本ページの本文・要約は AI による自動生成です。正確性は元記事 (arxiv.org) をご確認ください。