論文の概要: FitText: Evolving Agent Tool Ecologies via Memetic Retrieval

• arxiv url: http://arxiv.org/abs/2605.02411v1
• Date: Mon, 04 May 2026 10:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.230896
• Title: FitText: Evolving Agent Tool Ecologies via Memetic Retrieval
• Title（参考訳）: FitText: メメティック検索によるエージェントツールのエコロジーの進化
• Authors: Kyle Zheng, Han Zhang, Renliang Sun, Chenchen Ye, Wei Wang,
• Abstract要約: エージェントの推論ループに直接埋め込むことで、検索を動的にする、トレーニング不要のフレームワークであるFitTextを紹介した。 ToolRet (43kツール、4ドメイン)では、FitTextは平均検索ランクを8.81から2.78に改善し、StableToolBench (16,464 API)では、静的クエリ検索よりも0.73の平均パスレート(24ポイントの絶対ゲイン)を達成した。
• 参考スコア（独自算出の注目度）: 13.342978440243707
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A semantic gap separates how users describe tasks from how tools are documented. As API ecosystems scale to tens of thousands of endpoints, static retrieval from the initial query alone cannot bridge this gap: the agent's understanding of what it needs evolves during execution, but its tool set does not. We introduce FitText, a training-free framework that makes retrieval dynamic by embedding it directly in the agent's reasoning loop. FitText generates natural-language pseudo-tool descriptions as retrieval probes, refines them iteratively using retrieval feedback, and explores diverse alternatives through stochastic generation. Memetic Retrieval adds evolutionary selection pressure over candidate descriptions, guided by a tool memory that avoids redundant search. On ToolRet (43k tools, 4 domains), FitText improves average retrieval rank from 8.81 to 2.78; on StableToolBench (16,464 APIs), it achieves a 0.73 average pass rate--a 24-point absolute gain over static query retrieval. The gains transfer across base models capable of acting as competent semantic operators; under weaker base models, Memetic's evolutionary search inverts--amplifying noise rather than refining signal--surfacing model capacity as a prerequisite for evolutionary tool exploration.
• Abstract（参考訳）: セマンティックギャップは、ユーザーがタスクを記述する方法と、ツールの文書化方法とを区別する。 APIエコシステムが数万のエンドポイントにスケールするため、初期クエリからの静的検索だけではこのギャップを埋めることはできない。 エージェントの推論ループに直接埋め込むことで、検索を動的にする、トレーニング不要のフレームワークであるFitTextを紹介した。 FitTextは、検索プローブとして自然言語の擬似ツール記述を生成し、検索フィードバックを用いて反復的に洗練し、確率的生成を通じて様々な代替品を探索する。 Memetic Retrievalは、冗長な検索を避けるツールメモリによってガイドされる、候補記述に対する進化的選択の圧力を追加する。 ToolRet (43kツール、4ドメイン)では、FitTextは平均検索ランクを8.81から2.78に改善し、StableToolBench (16,464 API)では、静的クエリ検索よりも0.73の平均パスレート(24ポイントの絶対ゲイン)を達成した。 弱いベースモデルの下では、Memeticの進化的探索が逆転し、信号の精製よりもノイズを増幅する。

関連論文リスト

• Dynamic Tool Dependency Retrieval for Efficient Function Calling [38.77768293858919]
  動的ツール依存検索 (DTDR) は,初期クエリと実行コンテキストの進化を条件とした軽量な検索手法である。 DTDRを複数のデータセットと大規模言語モデルのバックボーンにまたがる最先端の検索手法と比較した。 以上の結果から,動的ツール検索は,最先端の静的検索よりも23%～104%の関数呼び出し成功率を向上することがわかった。
  論文  参考訳（メタデータ） (2025-12-18T20:40:25Z)
• Bootstrapped Pre-training with Dynamic Identifier Prediction for Generative Retrieval [108.9772640854136]
  生成検索は、クエリに応答して関連するドキュメント識別子を直接生成するために、識別可能な検索インデックスを使用する。 近年の研究では、微調整による下流検索タスクを強化するために、慎重に訓練された事前学習タスクで訓練された強力な生成検索モデルの可能性を強調している。 生成検索のためのブートストラップ付き事前学習手法であるBootRetを導入し,事前学習中に文書識別子を動的に調整し,コーパスの継続に対応する。
  論文  参考訳（メタデータ） (2024-07-16T08:42:36Z)
• Retrieval is Accurate Generation [99.24267226311157]
  本稿では,支援文書の集合からコンテキスト認識句を選択する新しい手法を提案する。 本モデルでは,検索対象のベースラインの中で,最高の性能と低レイテンシを実現する。
  論文  参考訳（メタデータ） (2024-02-27T14:16:19Z)
• Context Tuning for Retrieval Augmented Generation [1.201626478128059]
  本稿では、スマートコンテキスト検索システムを用いて関連する情報を取得するRAGのためのコンテキストチューニングを提案する。 実験の結果,文脈調整が意味探索を著しく促進することが示された。 また,Reciprocal Rank Fusion (RRF) とMARTを用いた軽量モデルでは,GPT-4に基づく検索よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-09T23:33:16Z)
• How Does Generative Retrieval Scale to Millions of Passages? [68.98628807288972]
  各種コーパス尺度における生成的検索手法の実証的研究を行った。 我々は8.8Mパスのコーパスで数百万のパスに生成検索をスケールし、モデルサイズを最大11Bパラメータまで評価する。 生成的検索は、小さなコーパス上の最先端のデュアルエンコーダと競合するが、数百万のパスへのスケーリングは依然として重要で未解決の課題である。
  論文  参考訳（メタデータ） (2023-05-19T17:33:38Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• Leveraging Cognitive Search Patterns to Enhance Automated Natural Language Retrieval Performance [0.0]
  ユーザの検索行動を模倣する認知的再構成パターンが強調されている。 問合せの概念表現を考慮し,これらのパターンの適用を形式化する。 遺伝的アルゴリズムに基づく重み付けプロセスでは、概念的役割タイプに応じて用語に重点を置くことができる。
  論文  参考訳（メタデータ） (2020-04-21T14:13:33Z)

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。