論文の概要: HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness
- arxiv url: http://arxiv.org/abs/2606.12882v1
- Date: Thu, 11 Jun 2026 04:18:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.576351
- Title: HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness
- Title（参考訳）: HarnessBridge: LLMエージェントハーネスのための学習可能な双方向コントローラ
- Authors: Xiaoxuan Wang, Haixin Wang, Alexander Taylor, Jason Cong, Yizhou Sun, Wei Wang,
- Abstract要約: 本稿では,エージェント環境インタフェースを双方向投影としてパラメータ化する軽量学習型ハーネスコントローラであるHarnessBridgeを紹介する。
Terminal-Bench2.0 と SWE-bench Verified では、HarnessBridge はトークンの使用量と軌道長を大幅に削減しながら、強力な特殊なハーネスと一致または超えている。
- 参考スコア（独自算出の注目度）: 80.53160974102161
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models are increasingly deployed as agents for long-horizon tasks, yet their performance is shaped not only by model capability and environment design, but also by the harness that mediates agent--environment interaction. Existing harnesses are largely manually engineered, making them difficult to scale as trajectories grow longer and interactions become more complex. In this work, we ask whether harness can be generated by a learnable plug-in module that can be trained in an end-to-end fashion. We introduce HarnessBridge, a lightweight learnable harness controller that parameterizes the agent--environment interface as a bidirectional projection. HarnessBridge learns two bidirectional projections: observation projection, which distills raw trajectories into compact, decision-relevant states, and action projection, which converts proposed actions into executable transitions or trajectory-grounded rejections. We train HarnessBridge on a harness supervision dataset via unified instruction tuning. On Terminal-Bench~2.0 and SWE-bench Verified, HarnessBridge matches or surpasses strong specialized harnesses while substantially reducing token usage and trajectory length, and generalizes from smaller generators to larger commercial models.
- Abstract（参考訳）: 大規模言語モデルは、長期タスクのエージェントとしてますます多くデプロイされているが、そのパフォーマンスはモデル能力と環境設計だけでなく、エージェント-環境相互作用を仲介するハーネスによっても形成されている。
既存のハーネスは主に手動で設計されており、軌道が長くなり相互作用が複雑になるにつれてスケールが困難になる。
本研究では,エンド・ツー・エンドでトレーニング可能な学習可能なプラグイン・モジュールによって,ハーネスを生成できるかどうかを問う。
本稿では,エージェント環境インタフェースを双方向投影としてパラメータ化する軽量学習型ハーネスコントローラであるHarnessBridgeを紹介する。
HarnessBridgeは2つの双方向射影を学習する: 観測射影: 生の軌跡をコンパクトな決定関連状態に蒸留する観測射影、および、提案された作用を実行可能な遷移や軌道上の拒絶に変換するアクション射影。
我々は、統一的な命令チューニングを通じてハーネス監視データセット上でHarnessBridgeを訓練する。
Terminal-Bench~2.0 および SWE-bench Verified では、HarnessBridge はトークンの使用量と軌道長を大幅に削減し、より小型の発電機からより大型の商用モデルに一般化する。
関連論文リスト
- A Switching Beamformer for Highly Non-Stationary Environments [6.752249951921619]
本稿では,ビームフォーミングアーキテクチャに競合する逐次予測を統合したユニバーサルスイッチングビームフォーマ(USB)を提案する。
USBはショートウインドウ推定器の俊敏性と長期統合の精度を実現し、高度に静止しないシーンを追跡するための原則的なソリューションを提供する。
論文 参考訳（メタデータ） (2026-06-07T00:44:39Z) - Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses [57.20181537213498]
Agentic Harness Engineering (AHE)は、ハーネスエンジニアリングを自動化するクローズドループである。
AHEは3つの一致した可観測性柱を通じて課題に対処する。
10 AHE lift pass@1 on Terminal-Bench 2 from 69.7% to 77.0%。
SWE-bench-verifiedでは、種子よりも12%少ないトークンで合計成功率を上回り、ターミナルベンチ2では+5.1から+10.1ppのクロスファミリーゲインを得る。
論文 参考訳（メタデータ） (2026-04-28T16:55:02Z) - DriveMamba: Task-Centric Scalable State Space Model for Efficient End-to-End Autonomous Driving [47.573692944838115]
DriveMambaは、効率的なE2E-ADのためのタスク中心のスケーラブルパラダイムである。
シーケンシャルなタスク関係モデリング、暗黙の対応学習、長期の時間的融合を単一ステージのUnified Mambaデコーダに統合する。
nuScenesとBench2Driveデータセットで実施された大規模な実験は、DriveMambaの優位性、一般化性、および大幅な効率性を実証している。
論文 参考訳（メタデータ） (2026-02-09T11:48:29Z) - 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) - Activation Space Interventions Can Be Transferred Between Large Language Models [0.5541644538483947]
モデル間での安全介入は、共有活性化空間の学習されたマッピングを通して伝達可能であることを示す。
このアプローチは、バックドアの除去と有害なプロンプトの拒絶という、確立された2つのAI安全タスクに対して実証する。
また、バックドアに関連付けられた知識を組み込むために、モデルに微調整を施した新しいタスク、textitcorrupted機能を提案する。
論文 参考訳（メタデータ） (2025-03-06T13:38:44Z) - Detectors for Safe and Reliable LLMs: Implementations, Uses, and Limitations [76.19419888353586]
大規模言語モデル(LLM)は、不誠実なアウトプットからバイアスや有害な世代に至るまで、さまざまなリスクを受けやすい。
我々は,様々な害のラベルを提供するコンパクトで容易に構築できる分類モデルである,検出器のライブラリを作成し,展開する取り組みについて述べる。
論文 参考訳（メタデータ） (2024-03-09T21:07:16Z)
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。