論文の概要: HARBOR: Automated Harness Optimization
- arxiv url: http://arxiv.org/abs/2604.20938v1
- Date: Wed, 22 Apr 2026 13:45:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-24 14:40:06.108169
- Title: HARBOR: Automated Harness Optimization
- Title（参考訳）: HARBOR: 自動ハーネス最適化
- Abstract要約: 我々は、ハーネス設計が第一級の機械学習問題であると主張している。
本稿では,ブロック付加型SAASサロゲート,多要素コスト認識獲得,TuRBOトラスト領域から構築した参照解決器HARBORを提案する。
- 参考スコア（独自算出の注目度）: 2.7324157162184157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon language-model agents are dominated, in lines of code and in operational complexity, not by their underlying model but by the harness that wraps it: context compaction, tool caching, semantic memory, trajectory reuse, speculative tool prediction, and the glue that binds the model to a sandboxed execution environment. We argue that harness design is a first-class machine-learning problem and that automated configuration search dominates manual stacking once the flag space exceeds a handful of bits. We defend this claim in two steps. First, we formalize automated harness optimization as constrained noisy Bayesian optimization over a mixed-variable, cost-heterogeneous configuration space with cold-start-corrected rewards and a posterior chance-constrained safety check, and give a reference solver, HARBOR (Harness Axis-aligned Regularized Bayesian Optimization Routine), built from a block-additive SAAS surrogate, multi-fidelity cost-aware acquisition, and TuRBO trust regions. Second, we instantiate the problem in a flag-gated harness over a production coding agent and report a controlled four-round manual-tuning case study against a fixed task suite and an end-to-end HARBOR run. The formulation itself is task-class agnostic: the configuration space, reward correction, acquisition, and safety check apply to any agent harness with a bounded flag space and a reproducible task suite.
- Abstract（参考訳）: 長い水平言語モデルエージェントは、コード行と運用上の複雑さにおいて支配的であり、その基盤となるモデルではなく、コンテキストのコンパクト化、ツールキャッシング、セマンティックメモリ、軌跡の再利用、投機的ツール予測、モデルをサンドボックス化された実行環境にバインドする接着剤によってラップされている。
フラグスペースがほんの数ビットを超えると、自動構成検索が手動の積み重ねを支配している、と我々は主張する。
私たちはこの主張を2つのステップで擁護する。
まず,ブロック付加型SAASサロゲート,多要素コスト認識取得,TuRBO信頼領域から構築した参照ソルバ,HARBOR(Harness Axis-aligned Regularized Bayesian Optimization Routine)を提案する。
第2に,生産用符号化エージェントよりもフラグゲートハーネスの問題をインスタンス化し,固定タスクスイートとエンドツーエンドHARBOR実行に対する制御された4ラウンド手動チューニングケーススタディを報告する。
構成空間、報酬補正、取得、安全チェックは、有界なフラグ空間と再現可能なタスクスイートを持つ任意のエージェントハーネスに適用される。
関連論文リスト
- AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces [61.51487329124135]
AutoSaddlerは、オフラインの学習問題として改善を活用するフレームワークである。
ミニバッチからの障害信号を使用して、ハーネスを反復的に更新する。
GAIA2, SWE-Bench Pro, Terminal-Bench 2.0 の実験により, AutoSaddler はエージェント性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2026-08-24T09:45:08Z) - ClawGym II: Exploring Black-Box RL on Agent Harness [82.92963070856416]
エージェントハーネスは、エージェントと環境との相互作用を調整することで、長期タスクの性能を大幅に改善した。
複雑なハーネスによる汎用エージェントの安定かつスケーラブルな最適化のための統合ブラックボックスRLフレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-17T16:53:03Z) - SBCO: Self-Supervised, Verifier-Grounded Harness Optimization For Planning Agents [8.206010431605044]
自己改善エージェントは、AIシステムの背後にあるヒューマンエンジニアリングの労力を削減し、時間とともにパフォーマンスを進化させ、自己改善することを目指している。
我々は,Gdel-machine法と同等の閉ループの検証器付きハーネスであるSBCOを導入するが,自己参照ではなく自己監視する。
論文 参考訳（メタデータ） (2026-08-10T19:25:59Z) - HarnessOpt-Bench: Evaluating LLMs at Harness Optimization [3.846854817984248]
高価な評価体制下でのエンド・ツー・エンドのハーネス最適化のためのベンチマークを導入する。
信頼された実行環境は、評価境界、ターゲットエージェントリソースの使用を強制し、監査のための候補バージョンを保存する。
実験結果から、モデルはコードハーネスよりも分離され、ネイティブハーネスは一貫して優れておらず、タスク間で利得が大きく異なることがわかった。
論文 参考訳（メタデータ） (2026-08-06T17:21:05Z) - SSTQ:Privacy-Preserving Vector Quantization via Subsampled Stochastic TurboQuant [79.24089819400126]
Subsampled TurboQuant (SSTQ) は、オーバーコンプリートな等幅のタイトフレーム、座標サブサンプリング、プライバシ対応量子化を組み合わせたフレームワークである。
SSTQは平均2乗誤差スケーリングを実現し、クライアントあたり$lceil log N il + b$ bitsを使用する。
また、コードブックに依存したMSEスケーリングを$O(4b)$から$O(2b)$に削減する、プライバシを意識したコードブックの目的も導出します。
論文 参考訳（メタデータ） (2026-08-05T17:51:25Z) - A Control System, a Dataset, and a Recipe for Making Frozen LLM Agents Learn a Domain [2.452218069720666]
メタハーネス(Meta-Harness)とハイパーエージェント(HyperAgents)という2つの2026システムは、このハーネス自体を最適化したり、エージェントの提案者によって自己書き直したりできることを示している。
私たちは、より狭く、より制約のある立場をとります – ハーネスを小さな、固定された、人間に適応可能なアクションスペースとして扱い、オンラインでポリシーを学ぶのです。
我々は、この制御システムを、コンテキストアセンブラおよび最強の非適応ベースラインのソースとしてDSPyでインスタンス化する。
論文 参考訳（メタデータ） (2026-07-28T08:10:25Z) - MemoHarness: Agent Harnesses That Learn from Experience [46.167787606315585]
私たちはMemoHarnessを紹介した。MemoHarnessは適応型ハーネス最適化フレームワークで、独自の実行から学習する。
MemoHarnessは、ハーネスを6つの編集可能なコントロールディメンションに分解し、ケースごとの診断と蒸留されたグローバルパターンを二重層体験バンクに格納する。
MemoHarnessは、シェルエージェント、コードジェネレーション、分析推論ベンチマークを対象とし、私たちが比較した固定ハーネスよりも改善し、目に見えないスイートやベースモデルへの選択的移行を示す。
論文 参考訳（メタデータ） (2026-07-14T21:22:18Z) - Evolving Agents in the Dark: Retrospective Harness Optimization via Self-Preference [51.55077364626896]
本稿では,過去の軌道のみを用いたエージェント・ハーネスを最適化する自己教師型手法であるRetrospective Harness Optimization (RHO)を紹介する。
RHOは、過去の軌跡から様々な課題のコアセットを選択し、それらを並列に解決する。
1回の最適化ラウンドでは、SWE-Bench Proのパスレートが59%から78%に向上する。
論文 参考訳（メタデータ） (2026-06-04T09:26:00Z) - Subspace Control: Turning Constrained Model Steering into Controllable Spectral Optimization [27.280175507074322]
制約付きモデルトレーニングのためのサブスペース制御フレームワークを提案する。
SIFT (spectral interference-free training) は、すべてのタスクにおいて、実質的で堅牢なパフォーマンス改善を一貫して達成する。
論文 参考訳（メタデータ） (2026-04-05T19:27:24Z) - SEVerA: Verified Synthesis of Self-Evolving Agents [12.9624447364193]
自己進化型エージェントフレームワークは、安全性や正確性の正式な保証を提供しない。
エージェントコード生成を制約付き学習問題として定式化し、ハードな形式仕様とソフトな目的とを組み合わせてタスクユーティリティをキャプチャする。
探索はFGGMコールを含む候補パラメトリックプログラムを合成し、検証は全てのパラメータ値に対する厳しい制約に関して正当性を証明し、制約のない学習に還元する。
論文 参考訳（メタデータ） (2026-03-26T07:32:20Z) - DRAFTO: Decoupled Reduced-space and Adaptive Feasibility-repair Trajectory Optimization for Robotic Manipulators [4.0407133618465005]
本稿では、トラジェクトリ最適化のための新しいアルゴリズム、Decoupled Reduced-spaceとAdaptive Feasibility-Repair Trajectory Optimization (DRAFTO)を提案する。
連立限界実現性を扱いながら繰り返し制約された最適化の回数を減らすため、最適化を低空間ガウスニュートン(Gass-Newton, GN)降下に分離する。
CHOMP, TrajOpt, GPMP2, FACTOなどの最適化型プランナに対するベンチマークテストの結果, 様々なシナリオやタスクにおいて高い効率性と信頼性が検証された。
論文 参考訳（メタデータ） (2026-03-10T20:24:42Z) - HiSAC: Hierarchical Sparse Activation Compression for Ultra-long Sequence Modeling in Recommenders [13.73393292649997]
パーソナライズされたシーケンスモデリングのための効率的なフレームワークであるHiSACを提案する。
HiSACは対話を多レベルセマンティックIDにエンコードし、グローバルな階層的なコードブックを構築する。
階層的な投票機構は、パーソナライズされた利害関係者をきめ細かい選好センタとして活性化する。
ソフトルーティング・アテンション(Soft-Routing Attention)は、意味空間における歴史的信号を集約し、量子化誤差を最小限に抑えるために類似性によって重み付けする。
論文 参考訳（メタデータ） (2026-02-24T15:28:58Z) - CLEANER: Self-Purified Trajectories Boost Agentic Reinforcement Learning [4.765206163164323]
CLEANERは本質的な自己訂正機能を利用して、データ収集中にエラーに汚染されたコンテキストを除去する。
類似性を考慮した適応ロールバック機構は、クリーンで清浄な軌道を自律的に構築する。
その結果, 平均精度は6%, 3%, 5%であった。
論文 参考訳（メタデータ） (2026-01-21T16:14:30Z) - ReasAlign: Reasoning Enhanced Safety Alignment against Prompt Injection Attack [52.17935054046577]
本稿では、間接的インジェクション攻撃に対する安全性アライメントを改善するためのモデルレベルのソリューションであるReasAlignを提案する。
ReasAlignには、ユーザクエリの分析、競合する命令の検出、ユーザの意図したタスクの継続性を維持するための構造化された推論ステップが組み込まれている。
論文 参考訳（メタデータ） (2026-01-15T08:23:38Z) - Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。
我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
論文 参考訳（メタデータ） (2025-10-16T05:35:37Z) - Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。
既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。
我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
論文 参考訳（メタデータ） (2025-10-10T18:42:32Z) - Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。
本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
論文 参考訳（メタデータ） (2025-10-02T06:25:10Z) - Riemannian Preconditioned LoRA for Fine-Tuning Foundation Models [45.72323731094864]
Low-Rank Adaptation (LoRA) は、パラメータ効率のよい微細チューニング(PEFT)法として人気がある。
本研究では,各勾配ステップに$r倍r$プレコンディショナーを導入することにより,LoRAトレーニングの強化について検討する。
論文 参考訳（メタデータ） (2024-02-04T05:05:43Z)
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。