FactorSmith: Agentische Simulation via POMDP‑Decomposition & Planner‑Designer‑Critic

Die neueste Veröffentlichung auf arXiv (2603.20270v1) stellt FactorSmith vor – ein innovatives Framework, das es ermöglicht, spielbare Simulationen aus rein textuellen Beschreibungen zu generieren. Das Verfahren kombiniert zwei zentrale Ideen: eine faktorisierte POMDP‑Decomposition, die die Komplexität großer Codebasen reduziert, und einen hierarchischen Planner‑Designer‑Critic‑Workflow, der die Qualität jeder Generierungsschritt iterativ verbessert.

Durch die Aufteilung einer Simulationsbeschreibung in modulare Schritte arbeitet jeder Schritt nur mit einem minimalen Satz relevanter Zustandsvariablen. Dadurch wird die Kontextmenge, die ein einzelnes großes Sprachmodell verarbeiten muss, stark eingeschränkt. Der Ansatz baut auf der bereits etablierten POMDP‑Repräsentation von FactorSim auf und integriert die agentische Dreierarchitektur von SceneSmith. In jedem faktorisierte Schritt agieren Planner, Designer und Critic: der Planner koordiniert den Ablauf, der Designer schlägt Code‑Artefakte vor und der Critic bewertet die Qualität anhand strukturierter Scoring‑Kriterien, was eine iterative Verfeinerung mit Checkpoint‑Rollback ermöglicht.

Die Autoren formalisierten das kombinierte Verfahren, erläuterten die mathematischen Grundlagen für die Kontextauswahl und die agentische Verfeinerung und stellten die Open‑Source‑Implementierung vor. In Experimenten auf dem PyGame Learning Environment Benchmark konnte FactorSmith überzeugende Ergebnisse erzielen und demonstriert damit, dass die Kombination aus POMDP‑Decomposition und einem Planner‑Designer‑Critic‑Workflow die Erstellung von qualitativ hochwertigen, ausführbaren Simulationen aus natürlichen Sprachbeschreibungen erheblich erleichtert.