論文の概要: Yunjue Agent Tech Report: A Fully Reproducible, Zero-Start In-Situ Self-Evolving Agent System for Open-Ended Tasks

• arxiv url: http://arxiv.org/abs/2601.18226v1
• Date: Mon, 26 Jan 2026 07:27:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.718689
• Title: Yunjue Agent Tech Report: A Fully Reproducible, Zero-Start In-Situ Self-Evolving Agent System for Open-Ended Tasks
• Title（参考訳）: Yunjue Agent Tech Report: A Fullly Reproducible, Zero-Start In-Situ Self-Evolving Agent System for Open-Ended Tasks
• Authors: Haotian Li, Shijun Yang, Weizhen Qi, Silei Zhao, Rui Hua, Mingzhu Song, Xiaojian Yang, Chao Peng,
• Abstract要約: 従来のエージェントシステムは、タスク分布が継続的にドリフトし、外部の監視が不十分な、オープンな環境に苦しむ。 In-Situ Self-Evolving(In-Situ Self-Evolving)パラダイムを提案する。 このフレームワーク内では、新しい課題をナビゲートするためのツールを反復的に合成、最適化、再利用するシステムであるYunjue Agentを開発します。
• 参考スコア（独自算出の注目度）: 10.622439192272527
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional agent systems often struggle in open-ended environments where task distributions continuously drift and external supervision is scarce. Their reliance on static toolsets or offline training lags behind these dynamics, leaving the system's capability boundaries rigid and unknown. To address this, we propose the In-Situ Self-Evolving paradigm. This approach treats sequential task interactions as a continuous stream of experience, enabling the system to distill short-term execution feedback into long-term, reusable capabilities without access to ground-truth labels. Within this framework, we identify tool evolution as the critical pathway for capability expansion, which provides verifiable, binary feedback signals. Within this framework, we develop Yunjue Agent, a system that iteratively synthesizes, optimizes, and reuses tools to navigate emerging challenges. To optimize evolutionary efficiency, we further introduce a Parallel Batch Evolution strategy. Empirical evaluations across five diverse benchmarks under a zero-start setting demonstrate significant performance gains over proprietary baselines. Additionally, complementary warm-start evaluations confirm that the accumulated general knowledge can be seamlessly transferred to novel domains. Finally, we propose a novel metric to monitor evolution convergence, serving as a function analogous to training loss in conventional optimization. We open-source our codebase, system traces, and evolved tools to facilitate future research in resilient, self-evolving intelligence.
• Abstract（参考訳）: 従来のエージェントシステムは、タスクの分散が継続的にドリフトし、外部の監視が不十分な、オープンな環境に苦しむことが多い。 静的なツールセットやオフラインのトレーニングラグに依存しているため、システムの能力境界は厳格で不明である。 これを解決するために、我々はIn-Situ Self-Evolvingパラダイムを提案する。 このアプローチは、逐次的タスクインタラクションを連続的な経験の流れとして扱うことで、システムは短期的な実行フィードバックを、地味ラベルにアクセスすることなく、長期的な再利用可能な機能に抽出することができる。 このフレームワーク内では、ツールの進化を機能拡張の重要な経路として認識し、検証可能なバイナリフィードバック信号を提供する。 このフレームワーク内では,新たな課題をナビゲートするためのツールを反復的に合成し,最適化し,再利用するシステムであるYunjue Agentを開発している。 進化効率を最適化するため、並列バッチ進化戦略をさらに導入する。 ゼロスタート設定下での5つの多様なベンチマークに対する実証的な評価は、プロプライエタリなベースラインよりも大きなパフォーマンス向上を示している。 さらに、相補的なウォームスタート評価により、蓄積された一般的な知識が新しいドメインにシームレスに転送可能であることを確認した。 最後に,従来の最適化におけるトレーニング損失に類似した関数として機能し,進化収束を監視するための新しい指標を提案する。 コードベース、システムトレース、そして進化したツールをオープンソースにして、レジリエントで自己進化的なインテリジェンスにおける将来の研究を促進するのです。

関連論文リスト

• EvoCUA: Evolving Computer Use Agents via Learning from Scalable Synthetic Experience [44.734653745434834]
  本稿では,ネイティブコンピュータ利用エージェントモデルであるEvoCUAを紹介する。 静的な模倣とは異なり、EvoCUAはデータ生成とポリシー最適化を自己持続的な進化サイクルに統合する。 EvoCUAは以前の最高のオープンソースモデルであるOpenCUA-72Bを大きく上回っている。
  論文  参考訳（メタデータ） (2026-01-22T11:36:43Z)
• EvolveR: Self-Evolving LLM Agents through an Experience-Driven Lifecycle [26.048906477714937]
  現在のLLM(Large Language Model)エージェントは、ツール使用時のパフォーマンスは高いが、自身の経験から体系的に学習する能力は欠如している。 EvolveRは、エージェントが完全なクローズドループ体験ライフサイクルを通じて自己改善できるように設計されたフレームワークである。 複雑なマルチホップ質問応答ベンチマークにおけるEvolveRの有効性を示す。
  論文  参考訳（メタデータ） (2025-10-17T12:03:16Z)
• From Agentification to Self-Evolving Agentic AI for Wireless Networks: Concepts, Approaches, and Future Research Directions [70.72279728350763]
  自律進化型エージェント人工知能(AI)は、将来の無線システムに新しいパラダイムを提供する。 静的AIモデルとは異なり、自己進化エージェントは、モデルやツールを更新し、環境ダイナミクスに対応する自律進化サイクルを組み込む。 本稿では,自己進化型エージェントAIの概要を概説し,その階層化アーキテクチャ,ライフサイクル,鍵となる技術について述べる。
  論文  参考訳（メタデータ） (2025-10-07T05:45:25Z)
• WebSailor-V2: Bridging the Chasm to Proprietary Agents via Synthetic Data and Scalable Reinforcement Learning [73.91893534088798]
  WebSailorは、この重要な機能を組み込むように設計された、完全なポストトレーニング方法論である。 我々のアプローチは、構造化サンプリングと情報難読化によって、新しい、不確実なタスクを生成することである。 WebSailorは複雑な情報検索タスクにおいて、すべてのオープンソースエージェントを著しく上回る。
  論文  参考訳（メタデータ） (2025-09-16T17:57:03Z)
• A Comprehensive Survey of Self-Evolving AI Agents: A New Paradigm Bridging Foundation Models and Lifelong Agentic Systems [53.37728204835912]
  既存のAIシステムは、デプロイ後も静的な手作業による構成に依存している。 近年,インタラクションデータと環境フィードバックに基づいてエージェントシステムを自動拡張するエージェント進化手法が研究されている。 この調査は、自己進化型AIエージェントの体系的な理解を研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-08-10T16:07:32Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)

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。