論文の概要: PerfGuard: A Performance-Aware Agent for Visual Content Generation

• arxiv url: http://arxiv.org/abs/2601.22571v1
• Date: Fri, 30 Jan 2026 05:12:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.236212
• Title: PerfGuard: A Performance-Aware Agent for Visual Content Generation
• Title（参考訳）: PerfGuard: ビジュアルコンテンツ生成のためのパフォーマンス認識エージェント
• Authors: Zhipeng Chen, Zhongrui Zhang, Chao Zhang, Yifan Xu, Lan Yang, Jun Liu, Ke Li, Yi-Zhe Song,
• Abstract要約: PerfGuardは、ビジュアルコンテンツ生成のためのパフォーマンス対応のエージェントフレームワークである。 ツールのパフォーマンス境界をタスク計画とスケジューリングに統合する。 ツール選択の正確性、実行の信頼性、ユーザの意図との整合性にメリットがあります。
• 参考スコア（独自算出の注目度）: 53.591105729011595
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The advancement of Large Language Model (LLM)-powered agents has enabled automated task processing through reasoning and tool invocation capabilities. However, existing frameworks often operate under the idealized assumption that tool executions are invariably successful, relying solely on textual descriptions that fail to distinguish precise performance boundaries and cannot adapt to iterative tool updates. This gap introduces uncertainty in planning and execution, particularly in domains like visual content generation (AIGC), where nuanced tool performance significantly impacts outcomes. To address this, we propose PerfGuard, a performance-aware agent framework for visual content generation that systematically models tool performance boundaries and integrates them into task planning and scheduling. Our framework introduces three core mechanisms: (1) Performance-Aware Selection Modeling (PASM), which replaces generic tool descriptions with a multi-dimensional scoring system based on fine-grained performance evaluations; (2) Adaptive Preference Update (APU), which dynamically optimizes tool selection by comparing theoretical rankings with actual execution rankings; and (3) Capability-Aligned Planning Optimization (CAPO), which guides the planner to generate subtasks aligned with performance-aware strategies. Experimental comparisons against state-of-the-art methods demonstrate PerfGuard's advantages in tool selection accuracy, execution reliability, and alignment with user intent, validating its robustness and practical utility for complex AIGC tasks. The project code is available at https://github.com/FelixChan9527/PerfGuard.
• Abstract（参考訳）: LLM(Large Language Model)を利用したエージェントの進歩により、推論とツール呼び出し機能による自動タスク処理が可能になった。 しかしながら、既存のフレームワークは、ツールの実行が必然的に成功するという理想化された仮定の下で運用されることが多い。 このギャップは、特に視覚コンテンツ生成(AIGC)のようなドメインにおいて、計画と実行の不確実性をもたらします。 ツールのパフォーマンス境界を体系的にモデル化し,それらをタスク計画とスケジューリングに統合する,視覚コンテンツ生成のためのパフォーマンス対応エージェントフレームワークであるPerfGuardを提案する。 提案フレームワークでは, 汎用ツール記述を細かな性能評価に基づく多次元スコアリングシステムに置き換えるPASM(Performability-Aware Selection Modeling)と, 理論的ランキングと実際の実行ランキングを比較して動的にツール選択を最適化するAPU(Adaptive Preference Update)と, 性能認識戦略に沿ったサブタスクを生成するCAPO(Capability-Aligned Planning Optimization)の3つのコアメカニズムを紹介する。 最先端の手法に対する実験的比較は、PerfGuardのツール選択精度、実行信頼性、ユーザ意図との整合性における利点を示し、複雑なAIGCタスクの堅牢性と実用性を検証している。 プロジェクトのコードはhttps://github.com/FelixChan9527/PerfGuard.comで公開されている。

関連論文リスト

• AdaReasoner: Dynamic Tool Orchestration for Iterative Visual Reasoning [66.24374176797075]
  textbfAdaReasonerは、ツール固有の、あるいは明示的な教師付き行動ではなく、一般的な推論スキルとしてツールの使用を学ぶマルチモーダルモデルのファミリーである。 AdaReasonerは、(i)スケーラブルなデータキュレーションパイプラインによって、長期にわたる多段階のツールインタラクションにモデルを公開し、(ii)ツール-GRPO、(ii)ツールの選択とシークエンシングをエンドツーエンドの成功に基づいて優先順位付けする強化学習アルゴリズム、(iii)ツールの使用を動的に規制する適応学習メカニズムによって実現されている。
  論文  参考訳（メタデータ） (2026-01-26T16:04:43Z)
• Jenius Agent: Towards Experience-Driven Accuracy Optimization in Real-World Scenarios [0.9069311779417014]
  本稿では,実体験に基づくエージェントフレームワークを提案する。 Jenius-Agentという名前のエンドツーエンドフレームワークは、3つの重要な最適化と統合されている。 実験によると、タスクの精度が20%向上し、トークンコストが削減され、レスポンスレイテンシが低下し、起動障害が発生している。
  論文  参考訳（メタデータ） (2026-01-05T07:35:12Z)
• AutoTool: Efficient Tool Selection for Large Language Model Agents [10.061664247482488]
  LLMの推論と意思決定能力を活用することで、複雑なタスクを自動化する強力なツールとして、LLM(Large Language Model)エージェントが登場した。 しかしながら、大きなボトルネックは、ツール選択の推論コストの高さにある。特に、各ステップで使用するツールを決定するために、繰り返しLLMを呼び出すReActのようなアプローチでは。 ツール使用慣性(Tool use inertia)という重要な経験的観測を生かして、繰り返しLLM推論をバイパスするグラフベースの新しいフレームワークであるAutoToolを提案する。
  論文  参考訳（メタデータ） (2025-11-18T16:41:48Z)
• GAP: Graph-Based Agent Planning with Parallel Tool Use and Reinforcement Learning [20.75113227786218]
  グラフベースのエージェント計画(GAP)は、グラフベースの計画を通じてタスク間の依存関係を明示的にモデル化する新しいフレームワークである。 我々のアプローチは、複雑なタスクを依存性を意識したサブタスクグラフに分解する基礎モデルを訓練する。 この依存性を意識したオーケストレーションは、実行効率とタスクの正確性の両方で大幅に改善される。
  論文  参考訳（メタデータ） (2025-10-29T09:35:55Z)
• Acting Less is Reasoning More! Teaching Model to Act Efficiently [87.28134636548705]
  ツール統合推論は、タスクを解決するために外部ツールを呼び出す機能によって、大きな言語モデルを拡張します。 現在のアプローチは、外部ツールの使用効率や必要性を考慮せずに、最終的な正確性のためにのみ最適化されている。 最小限のツールコールで正確な回答をモデルに提示するフレームワークを提案する。 このアプローチでは,ツールコールを最大68.3%削減し,ツールの生産性を最大215.4%向上すると同時に,同等の回答精度を維持している。
  論文  参考訳（メタデータ） (2025-04-21T05:40:05Z)
• ControlLLM: Augment Language Models with Tools by Searching on Graphs [97.62758830255002]
  我々は,大規模言語モデル(LLM)が実世界のタスクを解くためのマルチモーダルツールを利用できる新しいフレームワークであるControlLLMを提案する。 フレームワークは,(1)複雑なタスクを明確なサブタスクに分割し,入力と出力を適切に定義したサブタスクに分解するtextittask Decomposer,(2)構築済みのツールグラフ上で最適なソリューションパスを探索する textitThoughts-on-Graph(ToG)パラダイム,(3)ソリューションパスを解釈して実行するリッチなツールボックスを備えた textitexecution Engine,の3つの主要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2023-10-26T21:57:21Z)

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。