Fugu-MT 論文翻訳(概要): In harmony with gpt-oss

論文の概要: In harmony with gpt-oss

arxiv url: http://arxiv.org/abs/2604.00362v1
Date: Wed, 01 Apr 2026 01:16:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-02 16:44:31.782111
Title: In harmony with gpt-oss
Title（参考訳）: gpt-oss (複数形 gpt-oss)
Abstract要約: OpenAIが公開しているGPt-oss-20bのスコアをツールで独自に再現した人はいない。私たちはモデルの配布ツールをリバースエンジニアリングしました。そして、ネイティブハーネスのハーネスを構築しました。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: No one has independently reproduced OpenAI's published scores for gpt-oss-20b with tools, because the original paper discloses neither the tools nor the agent harness. We reverse-engineered the model's in-distribution tools: when prompted without tool definitions, gpt-oss still calls tools from its training distribution with high statistical confidence -- a strong prior, not a hallucination. We then built a native harmony agent harness (https://github.com/borislavmavrin/harmonyagent.git) that encodes messages in the model's native format, bypassing the lossy Chat Completions conversion. Together, these yield the first independent reproduction of OpenAI's published scores: 60.4% on SWE Verified HIGH (published 60.7%), 53.3% MEDIUM (53.2%), and 91.7% on AIME25 with tools (90.4%).
Abstract（参考訳）: 原論文はツールもエージェントハーネスも公開していないため、OpenAIのgpt-oss-20bのスコアをツールで独自に再現した人はいない。 gpt-ossは、ツール定義がなければ、高い統計的信頼を持ってトレーニングディストリビューションからツールを呼び出します。次に、失われたChat Completions変換をバイパスして、モデルのネイティブフォーマットでメッセージをエンコードするネイティブなハーネス(https://github.com/borislavmavrin/harmonyagent.git)を構築しました。いずれもOpenAIが発行したスコアの60.4%(60.7%)、53.3%(53.2%)、91.7%(90.4%)である。

関連論文リスト

NovaFabric: Tamper-Evident, Replayable Evidence for Autonomous AI Agent Runs [0.0]
我々はNovaFabricを紹介し、監査グレードの実行証拠を作成している。エージェントロジックを変更することなく実行中のエージェントを、ポータブルなRun Capsuleに記録する。シードランは4モードのリプレイプロトコルで再実行可能である。我々は8つの研究課題を測定範囲で評価した。
論文参考訳（メタデータ） (2026-09-11T08:35:43Z)
ADeptS-Bench: Measuring the Trustworthiness of Computer Use Agents Across Devices [48.36933831982682]
我々はADEPTS機能フレームワークを基盤とした信頼性ベンチマークであるADeptS-Benchを紹介する。 Safetyストリームは、視覚インターフェースに埋め込まれた脅威を伴うペアの良心/悪意のあるタスクを提供する。曖昧さストリームは、意図が曖昧である場合、エージェントが明確化を求めるかどうかを評価する。
論文参考訳（メタデータ） (2026-08-25T23:21:57Z)
Joint Optimization of Tool Creation and Use for Large Language Model Agents [69.07066297088187]
SMITH (-grounded Multi-task Iterative Tool Honing) は、単一のポリシー内でツールの作成とツールの使用を訓練する。 SMITHで訓練された4B Qwen3は、正確に検証された13の手続き的推論タスクで、保持されたタスクで平均79.8のマクロ平均精度に達する。また、TabMWP-Hardでは40.4、ドメイン外のGQAでは42.6に到達している。
論文参考訳（メタデータ） (2026-08-25T13:59:34Z)
Building a Process-Modeling Tool using Agentic AI: An Experience Report on PM4Py-UCM [1.3660182208844809]
本稿では,イベントログからユースケースマップ(UCM)モデルをマイニングするオープンソースツールPM4Py-UCMの構築について報告する。我々は18件のエージェントセッション(374件のヒューマンターンと10,328件のツールアクション65時間)、151件のコミット、20件のリリース、そして108件から691件のテスト機能からなるテストスイートを特徴付ける。バージョン0.7.4まで、修正は2.3:1よりも数が多い。
論文参考訳（メタデータ） (2026-07-30T20:27:32Z)
When the Tool Decides: LLM Agents Defer Blindly to Graph Neural Network Tools, and Stronger Backbones Defer More [10.283803346813047]
大規模言語モデル(LLM)エージェントにグラフニューラルネットワーク(GNN)をコール可能なツールとして装備する作業が増えている。凍結したGNNをReActスタイルのLLMエージェントに明示的なツールとして公開し、テキスト分散グラフ上のノード分類で測定する。その予測は生のGNNの97.6-99.2%の時間(5種)と一致している。性能が向上し、代替手段が出現する場所で成長するにつれて、推論のコストは低下しない。
論文参考訳（メタデータ） (2026-06-12T14:13:19Z)
When to Trust Tools? Adaptive Tool Trust Calibration For Tool-Integrated Math Reasoning [58.75883713573783]
Tool-Integrated Reasoningは、推論軌道にツール呼び出しと実行を組み込む有望なパラダイムとして登場した。モデルの推論がツールの結果と矛盾する場合、モデルは自身の推論を信じる傾向にあります。アダプティブ・ツール・トラスト(ATTC、Adaptive Tool Trust)は、モデルに対して、ツール結果の信頼性や無視を適応的に選択するフレームワークである。
論文参考訳（メタデータ） (2026-04-09T14:14:37Z)
Benchmarking Multilingual Speech Models on Pashto: Zero-Shot ASR, Script Failure, and Cross-Domain Evaluation [0.0]
Pashtoは、約6000～8000万人が話すが、共有公開テストセット上での多言語自動音声認識(ASR)のベンチマークは公開されていない。本稿では,公開Pashtoデータに対する最初の再現可能なマルチモデル評価を行い,ゼロショットASR,スクリプトレベルの故障,微調整モデルのクロスドメイン評価について報告する。
論文参考訳（メタデータ） (2026-04-06T11:23:42Z)
Tool Receipts, Not Zero-Knowledge Proofs: Practical Hallucination Detection for AI Agents [0.0]
NabaOSは対話型エージェントのための軽量な検証フレームワークである。ソースによってAI応答内のすべてのクレームを分類する。製造されたツールの実行の94.2%、誤り回数の87.6%、虚偽の欠席債権の78.4%を検知する。
論文参考訳（メタデータ） (2026-03-09T20:45:41Z)
Pre-AI Baseline: Developer IDE Satisfaction and Tool Autonomy in 2022 [0.0]
本研究では、2022年7月に収集された1,155人のソフトウェア開発者の満足度データを分析した。当社は、Visual Studio Code(79%の使用)が支配する、高い満足度エコシステムを報告している。高いツールチャーンを特徴とする「実験者」セグメント(29.9%)を同定したが,満足度には有意な差は認められなかった。
論文参考訳（メタデータ） (2026-03-06T09:01:53Z)
AuTAgent: A Reinforcement Learning Framework for Tool-Augmented Audio Reasoning [36.67330306977483]
大規模音声言語モデル(LALM)は知覚に優れるが、正確な音響測定を必要とする複雑な推論に苦労する。我々は、いつ、どのツールを呼び出すかを学習する強化学習フレームワークであるAuTAgentを提案する。
論文参考訳（メタデータ） (2026-02-14T09:12:20Z)
Close the Loop: Synthesizing Infinite Tool-Use Data via Multi-Agent Role-Playing [16.839489120513505]
InfToolは3つの協調エージェントを編成し、単一のターン呼び出しから複雑なマルチステップのゲートコールにまたがる多様な検証されたトラジェクトリを生成する。 InfToolは、ベース32Bモデルを19.8%から70.9%の精度(+258%)に変換し、Claude-Opusより10倍大きく、競合するClaude-Opusを上回ります。
論文参考訳（メタデータ） (2025-12-29T17:12:39Z)
AlphaApollo: Orchestrating Foundation Models and Professional Tools into a Self-Evolving System for Deep Agentic Reasoning [110.57865233597762]
自己進化型エージェント推論システムであるAlphaApolloについて述べる。基礎モデル(FM)における2つのボトルネックに対処することを目的としている。 AlphaApolloは、意図的に検証可能な推論を可能にするために、複数のモデルをプロのツールで編成する。
論文参考訳（メタデータ） (2025-10-05T15:42:24Z)
MICE for CATs: Model-Internal Confidence Estimation for Calibrating Agents with Tools [54.63478102768333]
十分に校正されたモデル信頼度は、潜在的な行動の報酬に対するリスクを測るために使用することができる。本稿では,ツール呼び出し時の信頼度を評価するために,モデル内信頼度推定器(MICE)の新たなクラスを提案する。
論文参考訳（メタデータ） (2025-04-28T18:06:38Z)
SinaTools: Open Source Toolkit for Arabic Natural Language Processing [0.5461938536945721]
我々は、アラビア語の自然言語処理と理解のためのオープンソースのPythonパッケージであるSinaToolsを紹介した。本稿では,SinaToolsとそのベンチマーク結果について述べる。
論文参考訳（メタデータ） (2024-11-03T11:03:52Z)
Scalable Reinforcement Post-Training Beyond Static Human Prompts: Evolving Alignment via Asymmetric Self-Play [52.3079697845254]
evaは、オフラインとオンラインのRLポストトレーニングの両方で、言語モデルがトレーニングプロンプトを適応的に作成できるようにする最初の方法である。我々は,エバが有効なRLキュリキュラを作成でき,アブレーションにまたがって堅牢であることを示す。
論文参考訳（メタデータ） (2024-10-31T08:15:32Z)
Tool-Augmented Reward Modeling [58.381678612409]
本稿では,外部環境へのアクセスによるRMの強化により,制約に対処するツール拡張された嗜好モデリング手法であるThemisを提案する。我々の研究は、外部ツールをRMに統合し、様々な外部ソースとの相互作用を可能にすることを目的としている。人間の評価では、テミスで訓練されたRLHFはベースラインと比較して平均32%の勝利率を得る。
論文参考訳（メタデータ） (2023-10-02T09:47:40Z)

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。