論文の概要: JaxARC: A High-Performance JAX-based Environment for Abstraction and Reasoning Research

• arxiv url: http://arxiv.org/abs/2601.17564v1
• Date: Sat, 24 Jan 2026 19:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:07.927595
• Title: JaxARC: A High-Performance JAX-based Environment for Abstraction and Reasoning Research
• Title（参考訳）: JaxARC: 抽象化と推論研究のための高性能なJAXベースの環境
• Authors: Aadam, Monu Verma, Mohamed Abdel-Mottaleb,
• Abstract要約: ARC(Abstraction and Reasoning Corpus)は、AIシステムの人間のような帰納的推論を実行する能力をテストする。 既存のGymnasiumベースのRL環境は、計算ボトルネックによる実験スケールを著しく制限する。 本稿では,ARC に実装されたオープンソースの高性能 RL 環境である JaxARC について述べる。
• 参考スコア（独自算出の注目度）: 3.9406065897884406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Abstraction and Reasoning Corpus (ARC) tests AI systems' ability to perform human-like inductive reasoning from a few demonstration pairs. Existing Gymnasium-based RL environments severely limit experimental scale due to computational bottlenecks. We present JaxARC, an open-source, high-performance RL environment for ARC implemented in JAX. Its functional, stateless architecture enables massive parallelism, achieving 38-5,439x speedup over Gymnasium at matched batch sizes, with peak throughput of 790M steps/second. JaxARC supports multiple ARC datasets, flexible action spaces, composable wrappers, and configuration-driven reproducibility, enabling large-scale RL research previously computationally infeasible. JaxARC is available at https://github.com/aadimator/JaxARC.
• Abstract（参考訳）: Abstraction and Reasoning Corpus (ARC)は、いくつかのデモペアから人間のような帰納的推論を実行するAIシステムの能力をテストする。 既存のGymnasiumベースのRL環境は、計算ボトルネックによる実験スケールを著しく制限する。 JAX で実装された ARC 用のオープンソースで高性能な RL 環境である JaxARC について述べる。 機能的でステートレスなアーキテクチャにより、Gymnasium上で38-5,439xの高速化を実現し、ピークスループットは790M/秒である。 JaxARCは、複数のARCデータセット、フレキシブルなアクションスペース、構成可能なラッパー、構成駆動の再現性をサポートし、以前は計算不可能だった大規模なRL研究を可能にする。 JaxARCはhttps://github.com/aadimator/JaxARCで入手できる。

関連論文リスト

• ARC: Compiling Hundreds of Requirement Scenarios into A Runnable Web System [10.49539144799249]
  Agentic Requirement Compilation (ARC)は、単純なコード生成から要件コンパイルへ移行するテクニックである。 ARCはソースコードだけでなく、UI、API、データベース層のためのモジュラーデザインも生成する。 21人の参加者によるユーザスタディでは、初心者のユーザが複雑なシステムのためにDSL文書を書けることが示されている。
  論文  参考訳（メタデータ） (2026-02-14T11:07:58Z)
• RollArt: Scaling Agentic RL Training via Disaggregated Infrastructure [49.88201789074532]
  エージェント強化学習(RL)は、大規模言語モデル(LLM)が自律的な意思決定と長期計画を行うことを可能にする。 分散インフラストラクチャ上でマルチタスクエージェントRLのスループットを最大化する分散システムであるRollArcを提案する。
  論文  参考訳（メタデータ） (2025-12-27T11:14:23Z)
• Vector Symbolic Algebras for the Abstraction and Reasoning Corpus [1.2031796234206134]
  ARC-AGIは、数発の流体インテリジェンスベンチマークである。 認知学的に妥当なARC-AGIソルバを提案する。 システム1の直観とシステム2の推論を統合する。
  論文  参考訳（メタデータ） (2025-11-11T20:07:50Z)
• XuanCe: A Comprehensive and Unified Deep Reinforcement Learning Library [18.603206638756056]
  XuanCeは総合的に統合された深層強化学習(DRL)ライブラリである。 XuanCeは40以上の古典DRLとマルチエージェントDRLアルゴリズムを含む幅広い機能を提供している。 XuanCeはオープンソースで、https://agi-brain.com/agi-brain/xuance.gitでアクセスできる。
  論文  参考訳（メタデータ） (2023-12-25T14:45:39Z)
• JaxMARL: Multi-Agent RL Environments and Algorithms in JAX [105.343918678781]
  我々は、GPU対応の効率と多くの一般的なMARL環境のサポートを組み合わせた、最初のオープンソースPythonベースのライブラリであるJaxMARLを紹介します。 我々の実験は、壁時計時間の観点から、JAXベースのトレーニングパイプラインが既存のアプローチの約14倍高速であることを示している。 また、人気の高いStarCraft Multi-Agent ChallengeのJAXベースの近似的な再実装であるSMAXを紹介し、ベンチマークする。
  論文  参考訳（メタデータ） (2023-11-16T18:58:43Z)
• RL4CO: an Extensive Reinforcement Learning for Combinatorial Optimization Benchmark [69.19502244910632]
  Combinatorial Optimization(CO)は、ロジスティクスやスケジューリング、ハードウェア設計、リソース割り当てなど、いくつかの現実世界のアプリケーションに基本である。 深層強化学習は、CO問題を解決し、ドメインの専門知識への依存を減らし、計算効率を向上する上で大きなメリットを示している。 RL4COは27のCO問題環境と23の最先端ベースラインの詳細なライブラリカバレッジを備えた統一ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-29T16:57:22Z)
• ArchGym: An Open-Source Gymnasium for Machine Learning Assisted Architecture Design [52.57999109204569]
  ArchGymは、さまざまな検索アルゴリズムをアーキテクチャシミュレータに接続するオープンソースのフレームワークである。 我々は、カスタムメモリコントローラ、ディープニューラルネットワークアクセラレータ、AR/VRワークロード用のカスタムSOCを設計する際に、複数のバニラおよびドメイン固有の検索アルゴリズムにわたってArchGymを評価する。
  論文  参考訳（メタデータ） (2023-06-15T06:41:23Z)
• LLMs and the Abstraction and Reasoning Corpus: Successes, Failures, and the Importance of Object-based Representations [50.431003245201644]
  GPT-4 は 1D-ARC や単純な ARC サブセットのような非言語領域で完全に「推論」できないことを示す。 本稿では,外部ツールから得られるオブジェクトベース表現を提案する。これにより,解決されたARCタスクのパフォーマンスがほぼ倍増し,より簡単な1D-ARC上でのほぼ完璧なスコアが得られた。
  論文  参考訳（メタデータ） (2023-05-26T16:32:17Z)
• JaxPruner: A concise library for sparsity research [46.153423603424]
  JaxPrunerはスパースニューラルネットワーク研究のためのオープンソースライブラリである。 メモリとレイテンシのオーバーヘッドを最小限に抑えながら、一般的なプルーニングとスパーストレーニングアルゴリズムを実装している。
  論文  参考訳（メタデータ） (2023-04-27T10:45:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。