論文の概要: CoCoDA: Co-evolving Compositional DAG for Tool-Augmented Agents
- arxiv url: http://arxiv.org/abs/2605.08399v1
- Date: Fri, 08 May 2026 19:05:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.614439
- Title: CoCoDA: Co-evolving Compositional DAG for Tool-Augmented Agents
- Title（参考訳）: CoCoDA: ツール強化エージェントのためのコンポジションDAGの共進化
- Abstract要約: CoCoDAは、単一のコードネイティブ構造を通じてプランナーとツールライブラリを共進化させるフレームワークである。
本稿では, 検索コストの削減, サブリニア検索時間, 形状報酬による構成上の優位性, DAGの整形性を示す理論的結果を提案する。
- 参考スコア（独自算出の注目度）: 9.412912958794122
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tool-augmented language models can extend small language models with external executable skills, but scaling the tool library creates a coupled challenge: the library must evolve with the planner as new reusable subroutines emerge, while retrieval from the growing library must remain within a fixed context budget. Existing tool-use and skill-library methods typically treat tools as flat or text-indexed memories, causing prompt cost to grow with library size and obscuring the typed, compositional structure of executable code. We propose CoCoDA, a framework that co-evolves the planner and tool library through a single code-native structure: a compositional code DAG. Nodes are primitive or composite tools, edges encode invocation dependencies, and each node stores a typed signature, description, pre/post-condition specification, and worked examples. At inference time, Typed DAG Retrieval prunes candidates by symbolic signature unification, ranks survivors by descriptions, filters them by behavioral specifications, and disambiguates with examples, keeping expensive context materialization on progressively smaller candidate sets. At training time, successful trajectories are folded into validated composite tools, while the planner is updated with a DAG-induced reward that credits composites by their primitive expansion size. We provide theoretical results showing retrieval cost reduction, sublinear retrieval time, compositional advantage under the shaped reward, monotone co-evolution under conservative updates, and DAG well-formedness. Across mathematical reasoning, tabular analysis, and code task benchmarks, CoCoDA enables an 8B student to match or exceed a 32B teacher on GSM8K and MATH and consistently improves over strong tool-use and library-learning baselines.
- Abstract（参考訳）: ツール拡張された言語モデルは、小さな言語モデルを外部実行可能なスキルで拡張することができるが、ツールライブラリのスケーリングは、統合された課題を生み出す: ライブラリは、新しい再利用可能なサブルーチンが出現するにつれて、プランナーと共に進化する必要がある。
既存のツールの使用法やスキル・ライブラリーの手法は、ツールをフラットまたはテキストインデックスのメモリとして扱うのが一般的であり、ライブラリのサイズによって急激なコストが増大し、実行可能コードの型付けされた構成構造が無視される。
コンポジションコードDAGという,単一のコードネイティブ構造を通じて,プランナとツールライブラリを共進化させるフレームワークであるCoCoDAを提案する。
ノードはプリミティブまたは複合ツールであり、エッジは呼び出しの依存関係をコードし、各ノードは型付きシグネチャ、記述、プレ/ポスト条件仕様、そして動作する例を格納する。
推論時に、Typed DAG Retrievalは、記号的なシグネチャ統一によって候補を抽出し、生存者を記述によってランク付けし、行動仕様によってそれらをフィルタリングし、サンプルで曖昧にし、段階的に小さな候補セットに高価なコンテキストを実体化し続ける。
トレーニング時に、成功した軌道は検証された複合工具に折り畳まれ、プランナーはDAGによって誘導される報酬で、原始的な拡張サイズで複合物をクレジットする。
本稿では, 検索コストの削減, サブリニア検索時間, 形状報酬による構成上の優位性, 保守的更新によるモノトン共進化, DAGの健全性を示す理論的結果を提案する。
数学的推論、表解析、コードタスクベンチマークの他、CoCoDAは8Bの学生がGSM8KとMATHで32Bの教師と一致または超えることを可能にする。
関連論文リスト
- Learning Hierarchical and Geometry-Aware Graph Representations for Text-to-CAD [22.163726324892256]
中間表現として階層的および幾何学的認識グラフを提案する。
テキストを直接コードにマッピングする代わりに、私たちのフレームワークはまず構造と制約を予測し、次にアクションシーケンシングとコード生成を条件にします。
提案手法は, 幾何的忠実度と幾何的制約の正確な満足度の両方において, 既存の手法より一貫して優れる。
論文 参考訳（メタデータ） (2026-04-11T07:49:16Z) - Agentic Planning with Reasoning for Image Styling via Offline RL [66.10749901925941]
直接的なプロンプトベースの編集は複雑な変換では失敗するが、なぜなら曖昧で主観的なプロンプトは、画像に何を変更するべきかを微妙に理解する必要がしばしばあるからである。
ツールベースのエージェントRLポストトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-07T11:14:37Z) - Do Not Treat Code as Natural Language: Implications for Repository-Level Code Generation and Beyond [13.550121154853715]
自然言語ではなく構造化コードとしてコードを扱う,リポジトリレベルのコード生成フレームワークであるHydraを紹介します。
我々はHydraがオープンソースおよびクローズドソースのCodeLLMにまたがって最先端のパフォーマンスを実現することを示す。
論文 参考訳（メタデータ） (2026-02-12T07:44:00Z) - ToolWeaver: Weaving Collaborative Semantics for Scalable Tool Use in Large Language Models [29.8584294186316]
ツールを階層的なシーケンスにエンコードする新しい生成ツール学習フレームワークを提案する。
我々は、新しいトークン化プロセスを通じて、これらの構造化コードを生成する。
ToolWeaverは最先端のメソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2026-01-29T16:29:53Z) - Agint: Agentic Graph Compilation for Software Engineering Agents [0.0]
Agintはエージェントグラフコンパイラ、インタプリタ、ランタイムである。
自然言語命令を型付きエフェクト対応コードDAGに変換する。
論文 参考訳（メタデータ） (2025-11-24T19:10:47Z) - Alignment with Fill-In-the-Middle for Enhancing Code Generation [56.791415642365415]
コードスニペットを小さな粒度のブロックに分割し,同じテストケースからより多様なDPOペアを生成する手法を提案する。
提案手法は,HumanEval (+), MBPP (+), APPS, LiveCodeBench, BigCodeBenchといったベンチマークデータセットの実験によって検証された,コード生成タスクの大幅な改善を示す。
論文 参考訳（メタデータ） (2025-08-27T03:15:53Z) - Paper2Code: Automating Code Generation from Scientific Papers in Machine Learning [70.04746094652653]
機械学習論文を機能コードリポジトリに変換するフレームワークであるPaperCoderを紹介した。
PaperCoderは3つの段階で動作する。計画、図によるシステムアーキテクチャの設計、ファイル依存の特定、構成ファイルの生成である。
次に、モデルベースおよび人的評価の両方に基づいて、機械学習論文からコード実装を生成するPaperCoderを評価する。
論文 参考訳（メタデータ） (2025-04-24T01:57:01Z) - Contextualized Data-Wrangling Code Generation in Computational Notebooks [131.26365849822932]
我々は、マルチモーダルなコンテキスト依存を明確にしたデータラングリングコード生成例をマイニングするために、CoCoMineという自動アプローチを提案する。
コンテクスト化されたデータラングリングコード生成のための58,221のサンプルを含むデータセットであるCoCoNoteをNotebooksで構築する。
実験結果は、データラングリングコード生成にデータコンテキストを組み込むことの重要性を示す。
論文 参考訳（メタデータ） (2024-09-20T14:49:51Z) - CodeRAG-Bench: Can Retrieval Augment Code Generation? [78.37076502395699]
検索拡張生成を用いたコード生成の系統的,大規模な解析を行う。
まず、コード生成タスクの3つのカテゴリを含む総合的な評価ベンチマークであるCodeRAG-Benchをキュレートする。
CodeRAG-Bench上のトップパフォーマンスモデルについて、1つまたは複数のソースから検索したコンテキストを提供することにより検討する。
論文 参考訳（メタデータ） (2024-06-20T16:59:52Z) - AlloyASG: Alloy Predicate Code Representation as a Compact Structurally Balanced Graph [0.6445605125467574]
我々はCSBASG(Compplex Structurely Balanced Abstract Semantic Graph)という新しいコード表現スキーマを導入する。
CSBASGは、ある意味的要素をグラフのノードとしてリストする複雑な重み付き有向グラフとしてコードを表す。
我々は,合金モデルに対するCSBASG表現の効率を,ASTと比較してコンパクト性の観点から評価した。
論文 参考訳（メタデータ） (2024-02-29T22:41:09Z) - LILO: Learning Interpretable Libraries by Compressing and Documenting Code [71.55208585024198]
LILOは、反復的に合成、圧縮、文書化を行う、ニューロシンボリックなフレームワークである。
LILOは、LLM誘導プログラム合成と、Stitchから自動化された最近のアルゴリズムの進歩を組み合わせたものである。
LILOのシンセサイザーが学習した抽象化を解釈し、デプロイするのを手助けすることで、AutoDocがパフォーマンスを向上させることが分かりました。
論文 参考訳（メタデータ） (2023-10-30T17:55:02Z) - Code Completion by Modeling Flattened Abstract Syntax Trees as Graphs [3.9596727975165438]
本稿では,部分ASTのフラット化シーケンスをASTグラフとしてモデル化したCCAGという新しいコード補完手法を提案する。
CCAGは、提案されたAST Graph Attention Blockを使用してASTグラフの異なる依存関係をキャプチャし、コード補完における表現学習を行います。
実験の結果,ccagは最先端のアプローチよりも優れた性能を示し,インテリジェントなコード補完を実現することができた。
論文 参考訳（メタデータ） (2021-03-17T08:11:09Z)
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。