論文の概要: AI Runtime Infrastructure

• arxiv url: http://arxiv.org/abs/2603.00495v1
• Date: Sat, 28 Feb 2026 06:27:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.227298
• Title: AI Runtime Infrastructure
• Title（参考訳）: AIランタイムインフラストラクチャ
• Abstract要約: AI Infrastructureは、モデル上およびアプリケーション下で動作する、異なる実行時レイヤです。 モデルレベルの最適化や受動的ロギングシステムとは異なり、ランタイムインフラストラクチャは、実行自体を最適化サーフェスとして扱う。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce AI Runtime Infrastructure, a distinct execution-time layer that operates above the model and below the application, actively observing, reasoning over, and intervening in agent behavior to optimize task success, latency, token efficiency, reliability, and safety while the agent is running. Unlike model-level optimizations or passive logging systems, runtime infrastructure treats execution itself as an optimization surface, enabling adaptive memory management, failure detection, recovery, and policy enforcement over long-horizon agent workflows.
• Abstract（参考訳）: エージェントの実行中にタスクの成功、レイテンシ、トークンの効率、信頼性、安全性を最適化するために、エージェントの動作を積極的に観察し、推論し、介入する。 モデルレベルの最適化やパッシブロギングシステムとは異なり、ランタイムインフラストラクチャは実行自体を最適化サーフェスとして扱い、長期エージェントワークフローに対する適応型メモリ管理、障害検出、リカバリ、ポリシー適用を可能にする。

関連論文リスト

• EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
  強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。 EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。 さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
  論文  参考訳（メタデータ） (2026-08-05T08:50:36Z)
• Agentic AI for Bilevel Long-Term Optimization of Policy-Driven Physical Layer Systems [56.931625543734306]
  Agentic-Oは、適応的な物理層問題設定に適用可能なネストされた双方向最適化フレームワークである。 Agentic-Oは動的演算子ポリシーに強い適応性を示し、従来の手法と比較してシステムの長期性能を57.2%向上させる。
  論文  参考訳（メタデータ） (2026-06-23T10:53:12Z)
• CoMem: Context Management with A Decoupled Long-Context Model [68.6597154502361]
  CoMemは、プライマリエージェントワークフローからメモリ管理を分離するフレームワークである。 我々は、CoMemがバニラロングコンテキストソリューションで1.4倍のレイテンシ改善を実現していることを示す。
  論文  参考訳（メタデータ） (2026-05-29T04:59:32Z)
• Governed Evolution of Agent Runtimes through Executable Operational Cognition [0.0]
  本稿では,マルチエージェントシステムにおける実行時の進化を,実行可能な動作認識を通じて制御するフレームワークを提案する。 実行時適応を制限のない自己修正として扱うのではなく、提案されたフレームワークは、永続的な操作メモリ上のバウンダリでオブザーバブルなプロセスとして進化をモデル化する。
  論文  参考訳（メタデータ） (2026-05-26T17:36:48Z)
• RuntimeSlicer: Towards Generalizable Unified Runtime State Representation for Failure Management [23.96013849484881]
  メトリクス、トレース、ログは、システム実行時の振る舞いを補完するビューを提供する。 Slicerは、メトリクス、トレース、ログを1つの整列したシステム状態の埋め込みにエンコードするタスクに依存しない表現モデルを事前トレーニングする。 State-Aware Task-Oriented Tuningは、ランタイム状態の教師なしパーティショニングを実行し、ダウンストリームタスクに対する状態条件適応を可能にする。
  論文  参考訳（メタデータ） (2026-03-23T02:35:13Z)
• Anticipatory Planning for Multimodal AI Agents [77.62643381558613]
  予測推論を明示的に訓練する2段階強化学習フレームワークであるTraceR1を紹介する。 TraceR1は、オンラインコンピュータ使用、オフラインコンピュータ使用ベンチマーク、マルチモーダルツール使用推論タスクを含む、7つのベンチマークで評価されている。 以上の結果から,予測軌道推論は,複雑な実環境において効果的に推論,計画,行動が可能なマルチモーダルエージェント構築の鍵となる原理であることが示唆された。
  論文  参考訳（メタデータ） (2026-03-17T16:55:11Z)
• Pushing Forward Pareto Frontiers of Proactive Agents with Behavioral Agentic Optimization [61.641777037967366]
  プロアクティブな大規模言語モデル(LLM)エージェントは、複数のターンで積極的に計画し、クエリし、相互作用することを目的としている。 エージェント強化学習(RL)は、マルチターン環境でエージェントを訓練するための有望なソリューションとして登場した。 本稿では,行動強化と情報収集能力の強化を両立させたエージェントRLフレームワークであるBAOを提案する。
  論文  参考訳（メタデータ） (2026-02-11T20:40:43Z)
• ToolSelf: Unifying Task Execution and Self-Reconfiguration via Tool-Driven Intrinsic Adaptation [60.25542764389203]
  LLM(Large Language Models)を利用したエージェントシステムは、複雑で長期のタスクに対処する上で、顕著な可能性を示している。 既存のアプローチでは、手動のオーケストレーションやランタイムベースのパッチを頼りにしており、一般化の貧弱さと最適化の断片化に悩まされることが多い。 ツール駆動の自己修正を可能にする新しいパラダイムであるToolSelfを提案する。
  論文  参考訳（メタデータ） (2026-02-08T09:27:18Z)
• TIDE: Trajectory-based Diagnostic Evaluation of Test-Time Improvement in LLM Agents [43.376952807616256]
  自律型LLMエージェントの最近の進歩は、環境との反復的相互作用によって性能を向上させる能力を示している。 本稿では,TTIを3つの包括的かつ相互接続的な次元に分解するエージェント非依存および環境非依存のフレームワークであるテスト時間改善診断評価(TIDE)を提案する。
  論文  参考訳（メタデータ） (2026-02-02T15:00:47Z)
• Secure and Governed API Gateway Architectures for Multi-Cluster Cloud Environments [0.0]
  APIゲートウェイは、クラウドネイティブシステムにおけるセキュリティ、ガバナンス、トラフィック管理のための重要な実行ポイントとして機能する。 既存のアプローチは通常、セキュリティ、ガバナンス、パフォーマンスを疎結合な関心事として管理します。 本稿では,マルチクラスタクラウド環境におけるAPIゲートウェイのコーディネート管理のためのガバナンス対応アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-12-29T12:01:33Z)
• Self-Abstraction from Grounded Experience for Plan-Guided Policy Refinement [61.35824395228412]
  大規模言語モデル(LLM)ベースのエージェントは、ソフトウェア工学のタスクに取り組むためにますます使われています。 エージェントが自身のタスク実行から学習することを可能にするフレームワークであるSAGE(Self-Abstraction from Grounded Experience)を提案する。
  論文  参考訳（メタデータ） (2025-11-08T08:49:38Z)
• Stop Wasting Your Tokens: Towards Efficient Runtime Multi-Agent Systems [11.42175340352007]
  SupervisorAgentは、ランタイムと適応的な監視のための軽量でモジュール化されたフレームワークです。 SupervisorAgentは、エラーを積極的に修正し、非効率な振る舞いを誘導し、観察を浄化するために、臨界点に介入する。 挑戦的なGAIAベンチマークでは、SupervisorAgentは成功率を損なうことなく、Smolagentフレームワークのトークン消費を平均29.45%削減した。
  論文  参考訳（メタデータ） (2025-10-30T15:12:59Z)
• DARS: Dynamic Action Re-Sampling to Enhance Coding Agent Performance by Adaptive Tree Traversal [55.13854171147104]
  大規模言語モデル(LLM)は、自然言語処理、データ分析、ソフトウェア開発など、さまざまな領域に革命をもたらした。 符号化エージェントのための新しい推論時間計算スケーリングアプローチである動的アクション再サンプリング(DARS)を提案する。 我々は、SWE-Bench Liteベンチマークに対する我々のアプローチを評価し、このスケーリング戦略がClude 3.5 Sonnet V2で55%のパス@kスコアを達成したことを実証した。
  論文  参考訳（メタデータ） (2025-03-18T14:02:59Z)
• Flow: Modularized Agentic Workflow Automation [53.073598156915615]
  大規模言語モデル(LLM)を利用したマルチエージェントフレームワークは、自動計画とタスク実行において大きな成功を収めている。 しかし, 実行中のエージェントの効果的な調整は十分に研究されていない。 本稿では,エージェントによる継続的なワークフロー改善を可能にするアクティビティ・オン・頂点(AOV)グラフを定義する。 提案するマルチエージェントフレームワークは,サブタスクの効率的な同時実行,効果的なゴール達成,エラー耐性の向上を実現している。
  論文  参考訳（メタデータ） (2025-01-14T04:35:37Z)
• Tracing Optimization for Performance Modeling and Regression Detection [15.99435412859094]
  性能モデルは、システムのパフォーマンスと実行時のアクティビティの関係を解析的に記述する。 性能に敏感なコード領域を識別・排除することで、トレーシングオーバーヘッドを低減する統計的手法を提案する。 私たちのアプローチは完全に自動化されており、最小限の人的労力で本番環境で使用できるようにしています。
  論文  参考訳（メタデータ） (2024-11-26T16:11:55Z)
• Online reinforcement learning with sparse rewards through an active inference capsule [62.997667081978825]
  本稿では,将来期待される新しい自由エネルギーを最小化するアクティブ推論エージェントを提案する。 我々のモデルは、非常に高いサンプル効率でスパース・リワード問題を解くことができる。 また、複雑な目的の表現を単純化する報奨関数から事前モデルを近似する新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-06-04T10:03:36Z)

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。