論文の概要: Scaling Coding Agents via Atomic Skills

• arxiv url: http://arxiv.org/abs/2604.05013v1
• Date: Mon, 06 Apr 2026 16:36:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.406882
• Title: Scaling Coding Agents via Atomic Skills
• Title（参考訳）: 原子スキルによるコーディングエージェントのスケーリング
• Authors: Yingwei Ma, Yue Liu, Xinlong Yang, Yanhao Li, Kelin Fu, Yibo Miao, Yuchong Xie, Zhexu Wang, Shing-Chi Cheung,
• Abstract要約: まず、コードローカライゼーション、コード編集、ユニットテスト生成、イシュー再現、コードレビューという5つの基本的なアトミックスキルを定式化します。 合成符号化タスクと比較すると、これらの原子スキルはより一般的で構成可能である。 このようにして、原子スキルは負の干渉やトレードオフなしに一貫して改善される。
• 参考スコア（独自算出の注目度）: 23.614587850545988
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current LLM coding agents are predominantly trained on composite benchmarks (e.g., bug fixing), which often leads to task-specific overfitting and limited generalization. To address this, we propose a novel scaling paradigm that shifts the focus from task-level optimization to atomic skill mastery. We first formalize five fundamental atomic skills, code localization, code editing, unit-test generation, issue reproduction, and code review, that serve as the basis vectors for complex software engineering tasks. Compared with composite coding tasks, these atomic skills are more generalizable and composable. Then, we scale coding agents by performing joint RL over atomic skills. In this manner, atomic skills are consistently improved without negative interference or trade-offs between them. Notably, we observe that improvements in these atomic skills generalize well to other unseen composite coding tasks, such as bug-fixing, code refactoring, machine learning engineering, and code security. The observation motivates a new scaling paradigm for coding agents by training with atomic skills. Extensive experiments demonstrate the effectiveness of our proposed paradigm. Notably, our joint RL improves average performance by 18.7% on 5 atomic skills and 5 composite tasks.
• Abstract（参考訳）: 現在のLLMコーディングエージェントは、主に複合ベンチマーク(例えばバグ修正)で訓練されており、タスク固有のオーバーフィットと限定的な一般化につながることが多い。 そこで本研究では,タスクレベルの最適化からアトミックなスキル習得へと焦点を移す,新たなスケーリングパラダイムを提案する。 まず,コードのローカライゼーション,コード編集,単体テスト生成,イシュー再現,コードレビューという,複雑なソフトウェアエンジニアリングタスクの基礎となる5つの基本的なアトミックスキルを定式化する。 合成符号化タスクと比較すると、これらの原子スキルはより一般化され、構成可能である。 そして,原子スキルを超越した共同RLにより符号化エージェントをスケールする。 このようにして、原子スキルは負の干渉やトレードオフなしに一貫して改善される。 特に、これらのアトミックスキルの改善は、バグ修正、コードリファクタリング、機械学習エンジニアリング、コードセキュリティなど、目に見えない他の複合コーディングタスクによく当てはまります。 この観察は、原子スキルのトレーニングによって、コーディングエージェントのための新しいスケーリングパラダイムを動機付けている。 大規模実験により提案手法の有効性が実証された。 特に、我々の共同RLは、5つの原子スキルと5つの複合タスクで平均性能を18.7%向上させる。

関連論文リスト

• Agent psychometrics: Task-level performance prediction in agentic coding benchmarks [24.348135523715815]
  本稿では,エージェントプログラミング体制に合わせて,個々のタスクにおける成功や失敗を予測する枠組みを提案する。 我々のアプローチは、イシューステートメント、リポジトリコンテキスト、ソリューション、テストケースなど、タスクから抽出された豊富な機能を備えたアイテム応答理論(IRT)を拡張します。
  論文  参考訳（メタデータ） (2026-04-01T07:59:59Z)
• AtomicVLA: Unlocking the Potential of Atomic Skill Learning in Robots [92.18094199070693]
  現実世界のロボットタスクは、長い水平、多段階の問題解決を伴い、継続的なスキル獲得のために一般化を必要とすることが多い。 我々は、タスクレベルの計画、アトミックスキルの抽象化、きめ細かいアクションを共同で生成する統合計画実行フレームワークAtomicVLAを提案する。 シミュレーションでは、AtomicVLAはLIBEROで$_0$2.4%、LIBERO-LONGで10%、CALVINで$_0$と$_0.5$0.22、平均タスク長0.25よりパフォーマンスが良い。
  論文  参考訳（メタデータ） (2026-03-08T14:18:56Z)
• SkillCraft: Can LLM Agents Learn to Use Tools Skillfully? [67.69996753743129]
  SkillCraftは、高レベルのツールコンポジションの生成と再利用を可能にする、明示的にストレステストエージェントのベンチマークである。 SkillCraftは、定量次元と構造次元の両方に沿ってスケールする困難を伴う、現実的で、構成性の高いツール使用シナリオを特徴としている。 本稿では,エージェントがアトミックツールを実行可能なスキルに自動生成し,タスク内およびタスク間のキャッシュと再利用を可能にする軽量な評価プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-02-28T15:44:31Z)
• Hybrid-Gym: Training Coding Agents to Generalize Across Tasks [59.95803522351185]
  本稿では,多種多様なタスク間で共有される伝達可能なスキルについて述べる。 本稿では,スケーラブルな合成タスクからなる学習環境であるHybrid-Gymを提案する。 実験により、我々の合成タスクで訓練されたエージェントが、様々な現実世界のタスクを効果的に一般化できることが示されている。
  論文  参考訳（メタデータ） (2026-02-18T19:30:55Z)
• SkillRL: Evolving Agents via Recursive Skill-Augmented Reinforcement Learning [83.98129545309277]
  生経験と政策改善のギャップを埋めるフレームワークであるSkillRLを提案する。 本手法では,階層型スキルライブラリであるSkillBankを構築するために,経験に基づく蒸留機構を導入する。 ALF、WebShop、および7つの検索強化タスクの実験結果は、SkillRLが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-02-09T03:17:17Z)
• Cogito, ergo sum: A Neurobiologically-Inspired Cognition-Memory-Growth System for Code Generation [9.920563105290894]
  Cogitoは、低コストでコード生成タスクの問題解決能力を高めるために、神経生物学的にインスパイアされたマルチエージェントフレームワークである。 コギトは各段階で知識と認知スキルを蓄積し、最終的にスーパーロールをコード生成タスクを実行するためのすべての有能なエージェントとして形成する。
  論文  参考訳（メタデータ） (2025-01-30T01:41:44Z)
• AtomThink: Multimodal Slow Thinking with Atomic Step Reasoning [68.65389926175506]
  思考の自己構造連鎖(SCoT)の新たなパラダイムを提案する。 本手法は, 複雑なタスクに対する認知的CoT構造を生成するだけでなく, より簡単なタスクに対して過度に考える現象を緩和する。 我々は,提案したAtomThinkがベースラインMLLMの性能を大幅に向上することを示すため,広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-11-18T11:54:58Z)
• Laying the Foundation First? Investigating the Generalization from Atomic Skills to Complex Reasoning Tasks [40.7766635942194]
  本稿では,原子スキルが複雑な推論タスクに自然に一般化できるかどうかを探索する枠組みを提案する。 次に、より優れたスキルの一般化を実現するために、階層的なカリキュラム学習訓練戦略を導入する。 階層的なカリキュラム学習を活用することで、一般化を成功させ、複雑な推論タスクにおけるオープンソースのLMの性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-03-14T15:20:54Z)
• RL-GPT: Integrating Reinforcement Learning and Code-as-policy [82.1804241891039]
  本稿では,低速エージェントと高速エージェントからなる2レベル階層型フレームワークRL-GPTを提案する。 遅いエージェントはコーディングに適したアクションを分析し、速いエージェントはコーディングタスクを実行する。 この分解は、各エージェントが特定のタスクに効果的に集中し、パイプライン内で非常に効率的なことを証明します。
  論文  参考訳（メタデータ） (2024-02-29T16:07:22Z)

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。