論文の概要: Do Proactive Agents Really Need an LLM to Decide When to Wake and What to Anchor?
- arxiv url: http://arxiv.org/abs/2605.30152v1
- Date: Thu, 28 May 2026 16:10:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-30 02:45:56.47255
- Title: Do Proactive Agents Really Need an LLM to Decide When to Wake and What to Anchor?
- Title（参考訳）: 覚醒にLLMが必要か? 覚醒には何が必要か
- Abstract要約: プロアクティブエージェントは、ユーザーアクティビティをテキストとして読み出し、すべてのイベントにLDMを呼び出して行動するかどうかを判断する。
常にオンの信号をテキストではなくグラフ更新として扱う。
1つのフォワードパスは、イベント毎のトリガ確率とエンタリティ毎のルーティングスコアを得る。
- 参考スコア（独自算出の注目度）: 36.54616681758304
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Proactive agents read user activity as text and call an LLM on every event to decide whether to act. But user activity is not natively text: it is a structured event stream of (actor, verb, object, timestamp) tuples that the operating system already maintains in graph form. Rendering the structure as text and asking an LLM to recover it is a round-trip the system never had to take. We treat the always-on signal as graph updates rather than text and use a small temporal-graph-learning (TGL) model as the encoder: one forward pass yields a per-event trigger probability and a per-entity routing score, and only the downstream agent (turning a small structured handoff into a fluent user-facing sentence) is an LLM call, invoked only when the trigger fires. TGL improves F1 on each of 14 backbones (mean +16.7, up to +46.0); in trigger-architecture comparisons, one TGL checkpoint gives the strongest trigger AUCs and the most stable deployed threshold. It runs at 11.13 ms per event on a GPU server and 13.99 ms on a consumer laptop, approximately 4--7x and 12--83x faster than every single-forward LLM-as-trigger configuration tested in each regime, with an approximately 220 MiB BF16 resident footprint deployable on-device alongside the privacy-sensitive activity stream it consumes.
- Abstract（参考訳）: プロアクティブエージェントは、ユーザーアクティビティをテキストとして読み出し、すべてのイベントにLDMを呼び出して行動するかどうかを判断する。
これは(アクター、動詞、オブジェクト、タイムスタンプの)構造化されたイベントストリームであり、オペレーティングシステムがすでにグラフ形式で維持している。
構造をテキストとしてレンダリングし、LLMにリカバリを依頼することは、システムが取る必要のないラウンドトリップである。
我々は、常時オン信号をテキストではなくグラフ更新として扱い、小さな時間グラフ学習(TGL)モデルをエンコーダとして使用し、一方のフォワードパスは、イベント毎のトリガ確率とエンタリティ毎のルーティングスコアを出力し、下流エージェント(小さな構造化されたハンドオフを流用ユーザインタフェースの文に変換する)だけが、トリガが発火した時にのみ起動されるLCM呼び出しである。
TGLは14個のバックボーン(平均+16.7、最大+46.0)のF1を改善する。
GPUサーバで1イベントあたり11.13ミリ秒、消費者向けラップトップで13.99ミリ秒、各システムでテストされた単一フォワードLCM-as-Trigger構成の約4-7倍と12-83倍の速度で動作し、約220MiB BF16の常駐フットプリントをオンデバイスでデプロイ可能で、プライバシに敏感なアクティビティストリームが消費される。
関連論文リスト
- STELLA: Efficient Sensor-to-LLM Translation for On-Device Human Activity Recognition [4.078975699391066]
デバイス上でのHARのための効率的なセンサ対LLM変換フレームワークSTELLAを提案する。
軽量階層型トークン化器は、マルチチャネル慣性ウィンドウ全体をコンパクトな潜在センサトークンの固定セットに圧縮する。
STELLAはデバイス上でのパーソナライズをサポートし、少数のユーザ固有のラベル付きデータに対して軽量なトークンライザのみを適用する。
論文 参考訳（メタデータ） (2026-07-03T08:21:40Z) - ClawArena-Team: Benchmarking Subagent Orchestration and Dynamic Workflows in Language-Model Agents [61.184954205350984]
ClawArena-Teamは、41のマルチターン、マルチモーダル、マルチエージェントシナリオのベンチマークである。
全体的なスコア -- Subagent-Management Score (SMS) -- は、タスクの正しさを最小限のプライマリとモダリティのルーティング因子によって乗算する。
論文 参考訳（メタデータ） (2026-06-30T06:06:08Z) - ISE: An Execution-Grounded Recipe for Multi-Turn OS-Agent Trajectories [18.739245125968175]
有能なOSエージェントのトレーニングには、構造化されたユーザインテント、マルチターンタスクデリゲート、既存のデータセットにないグラウンド化されたツール実行-プロパティを同時にキャプチャするデータが必要である。
ISE(Intent -> Simulate -> Execute)は,これらのギャップに共同で対処する3段階合成パラダイムである。
論文 参考訳（メタデータ） (2026-06-09T23:44:26Z) - Nautilus Compass: Black-box Persona Drift Detection for Production LLM Agents [2.417342411475111]
ナチラス・コンパス(Nautilus Compass)は、ブラックボックスドリフト検出器と、生産用コーディングエージェントのためのエージェントメモリ層である。
このシステムは、Claude Codeプラグイン、CP 20245 A2Aサーバ、CLI、APIを1つのデーモンで提供する。
論文 参考訳（メタデータ） (2026-05-11T01:49:17Z) - GenericAgent: A Token-Efficient Self-Evolving LLM Agent via Contextual Information Density Maximization (V1.0) [56.81743709880371]
Long-Horizon Large Language Model (LLM) エージェントは、コンテキストによって根本的に制限される。
長い水平性能は、文脈長ではなく、有限の文脈予算内で意思決定関連情報がどれだけ維持されているかによって決定される。
我々は、情報密度とコンテキストの1つの原理に基づいて構築された汎用的自己進化型LLMエージェントシステムであるGenericAgent(GA)を提案する。
論文 参考訳（メタデータ） (2026-04-18T17:59:15Z) - Scepsy: Serving Agentic Workflows Using Aggregate LLM Pipelines [0.7551404527457958]
任意のマルチLLMエージェントをGPUクラスタに効率的にスケジュールする新しいエージェントサービスシステムについて述べる。
Scepsyは、LLMを独立して最適化するシステムと比較して、最大2.4倍のスループットと27倍のレイテンシを実現している。
論文 参考訳（メタデータ） (2026-04-16T16:15:29Z) - Drag-and-Drop LLMs: Zero-Shot Prompt-to-Weights [75.83625828306839]
textbfDrag-and-Drop LLMs (textitDnD)は、未ラベルのタスクプロンプトをLoRAの重み更新に直接マッピングすることで、タスク単位のトレーニングを廃止する。
ライトウェイトテキストエンコーダは、各プロンプトバッチを条件埋め込みに蒸留し、カスケードされた超畳み込みデコーダによって全LORA行列に変換する。
論文 参考訳（メタデータ） (2025-06-19T15:38:21Z) - LLM-AutoDiff: Auto-Differentiate Any LLM Workflow [58.56731133392544]
自動プロンプト工学(APE)のための新しいフレームワーク LLM-AutoDiff について紹介する。
LLMs-AutoDiffは、各テキスト入力をトレーニング可能なパラメータとして扱い、フリーズした後方エンジンを使用して、テキスト勾配に対するフィードバック・アキンを生成する。
精度とトレーニングコストの両方において、既存のテキスト勾配ベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2025-01-28T03:18:48Z) - Get my drift? Catching LLM Task Drift with Activation Deltas [55.75645403965326]
タスクドリフトは攻撃者がデータを流出させたり、LLMの出力に影響を与えたりすることを可能にする。
そこで, 簡易線形分類器は, 分布外テストセット上で, ほぼ完全なLOC AUCでドリフトを検出することができることを示す。
このアプローチは、プロンプトインジェクション、ジェイルブレイク、悪意のある指示など、目に見えないタスクドメインに対して驚くほどうまく一般化する。
論文 参考訳（メタデータ） (2024-06-02T16:53:21Z) - SAGE: Smart home Agent with Grounded Execution [1.5256015470528725]
SAGE(Smart Home Agent with Grounded Execution)は、ユーザがLSM制御された個別アクションのシーケンスをトリガーするスキームを使用することで、制限を克服する。
これらのアクションは、情報検索、ユーザとのインタラクション、デバイス状態の操作に使用することができる。
我々は,SAGEが75%の成功率を達成したスマートホームタスク50のベンチマークを紹介する。
論文 参考訳（メタデータ） (2023-11-01T18:36:28Z)
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。