論文の概要: SkillChain: Closing the Loop on Skill Evolution for Image-Based E-Commerce AI Assistants
- arxiv url: http://arxiv.org/abs/2606.12984v1
- Date: Thu, 11 Jun 2026 07:21:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-12 15:55:27.635365
- Title: SkillChain: Closing the Loop on Skill Evolution for Image-Based E-Commerce AI Assistants
- Title（参考訳）: SkillChain:画像ベースのEコマースAIアシスタントのスキル進化のループを閉じる
- Authors: Yimin Hu, Mengtao Xu, Hao Guo, Yuheng Song, Xiaoyong Zhu, Bo Zheng,
- Abstract要約: SkillChainは、スキルクリエータ、ルーティングアライメントのためのルート、Body Refinerの3つのステージを通じてスキルのライフサイクルを閉じる。
SkillChainは、アグリゲートレスポンスの品質を大幅に改善し、構造コンプライアンスとコンテンツ品質に最も大きな利益をもたらす。
1週間のオンラインA/B実験では、ユーザのエンゲージメント、コンテンツ消費、長期保持が大幅に向上していることが確認されている。
- 参考スコア（独自算出の注目度）: 11.284815245442742
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image-based AI assistants are now deployed at production scale on e-commerce platforms, where a single uploaded image can trigger fundamentally different user intents: product search, style recommendation, visual encyclopedia, or utility tool calls, each demanding its own response format, tool invocation, and domain knowledge. Without per-intent behavioral constraints, LLM-based systems conflate these heterogeneous modes and fall short of domain quality standards, while the breadth and dynamism of the intent space render manual engineering infeasible. To address this, we present SkillChain, which closes the production feedback loop on Skill evolution, automating the lifecycle of Skills through three stages: Skill Creator for bootstrapping from task specs and trajectories, Route Optimizer for routing alignment, and Body Refiner for iterative Skill Body refinement via dual-path LLM-Judge evaluation. Deployed on a production-scale e-commerce image assistant, SkillChain substantially improves aggregate response quality, with the strongest gains on structural compliance and content quality; a one-week online A/B experiment further confirms significant gains in user engagement, content consumption, and long-term retention.
- Abstract（参考訳）: 単一のアップロードされたイメージは、プロダクト検索、スタイルレコメンデーション、ビジュアル百科事典、ユーティリティツールコールなど、基本的に異なるユーザインテントをトリガーし、それぞれ独自のレスポンスフォーマット、ツール呼び出し、ドメインナレッジを要求する。
LLMベースのシステムは、インテント空間の幅とダイナミズムが手動のエンジニアリングを不可能にするのに対して、インテントの振る舞いの制約がなければ、これらの不均一なモードを分割し、ドメインの品質基準を満たさない。
そこで本研究では,SkillChainを提案する。Skill Creator for bootstrapping from task specs and trajectories, Route Optimizer for routing alignment, Body Refiner for Iterative Skill Body refinement by dual-path LLM-Judge。
1週間のオンラインA/B実験では、ユーザエンゲージメント、コンテンツ消費、長期保持の大幅な向上が確認されている。
関連論文リスト
- SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。
現在の技術構築手法は、問題を一発抽出として扱う。
本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
論文 参考訳（メタデータ） (2026-06-04T12:16:08Z) - CV-Arena: An Open Benchmark for Instructional Computer Vision Problem Solving with Human-AI Collaborative Preferences [51.86576932800981]
CV-Arenaは、プロの規模でこの能力を評価するために設計されたオープンベンチマークである。
CV-Arenaは16の命令ベースの視覚タスクタイプにまたがる12Kの高解像度実像命令ペアを含んでいる。
我々は,計画,編集,検証を組み合わせた軽量エージェントモデルCV-Agentを開発した。
論文 参考訳（メタデータ） (2026-05-30T23:37:55Z) - Lifelong Learning in Vision-Language Models: Enhanced EWC with Cross-Modal Knowledge Retention [0.0]
大規模言語ビジョンモデル(LVLM)は、テキストと視覚のモダリティ間の理解を可能にすることで、AIに革命をもたらした。
これらのモデルは、画像キャプション、視覚的質問応答、モーダル検索といったタスクに優れています。
本稿では,拡張された弾性重み統合とパラメータ効率のよい微調整技術を組み合わせたLVLMの総合的連続学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-12T22:05:30Z) - Skill-R1: Agent Skill Evolution via Reinforcement Learning [84.35984979949502]
Skill-R1は、検証可能な報酬からインスタンスレベルの繰り返しスキル最適化のための強化学習フレームワークである。
オープンソースモデルとクローズドソースモデルの両方とのブラックボックス互換性を維持しつつ、モデルレベルの更新よりも大幅に安価に適応できる。
論文 参考訳（メタデータ） (2026-05-10T06:19:15Z) - Q-DeepSight: Incentivizing Thinking with Images for Image Quality Assessment and Refinement [58.15004031934379]
我々は、この人間のようなプロセスをエミュレートする思考とイメージのフレームワークであるQ-DeepSightを提案する。
Q-DeepSightは、自然、復元、AI生成コンテンツなど、さまざまなベンチマークで最先端のパフォーマンスを実現している。
本稿では,Q-DeepSight の診断が反復画像強調を導くトレーニングフリーフレームワークであるPerceptual-in-Generation (PiG) を用いて,その実用的価値を示す。
論文 参考訳（メタデータ） (2026-04-18T06:10:57Z) - SkillForge: Forging Domain-Specific, Self-Evolving Agent Skills in Cloud Technical Support [3.277125886726497]
既存のスキルクリエーターはドメイン基盤を欠き、現実世界のタスク要件に適合しないスキルを生み出す。
SkillForgeは、エンドツーエンドの生成/リファインメントループを閉じるセルフ進化フレームワークです。
1,883のチケットと3,737のタスクにまたがる,現実世界のクラウドサポートシナリオを5つ評価した。
論文 参考訳（メタデータ） (2026-04-09T07:11:23Z) - EvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification [85.3692584167951]
Anthropicは、LLMエージェントが多段階のプロフェッショナルタスクに取り組むためのスキルの概念を提案する。
ツールは単一の自己完結型関数であり、スキルは相互依存型多ファイルアーティファクトの構造化バンドルである。
EvoSkillsは、エージェントが複雑なマルチファイルスキルパッケージを自律的に構築できる自己進化型スキルフレームワークである。
論文 参考訳（メタデータ） (2026-04-02T06:43:20Z) - Personalized Vision via Visual In-Context Learning [62.85784251383279]
パーソナライズされた視覚のためのビジュアル・イン・コンテキスト・ラーニング・フレームワークを提案する。
PICOは基盤となる変換を推測し、再トレーニングせずに新しい入力に適用する。
また,効率的な推論スケーリングによる信頼性向上を目的とした注意誘導型シードスコアラを提案する。
論文 参考訳（メタデータ） (2025-09-29T17:58:45Z) - SPECI: Skill Prompts based Hierarchical Continual Imitation Learning for Robot Manipulation [3.1997825444285457]
動的非構造環境における現実世界のロボット操作は、進化するオブジェクト、シーン、タスクに対して生涯の適応性を必要とする。
伝統的な模倣学習は、生涯適応に不適な静的な訓練パラダイムに依存している。
我々は,ロボット操作のための新しいエンドツーエンドの階層型CILポリシーアーキテクチャである,スキル・プロンプトに基づく階層型連続模倣学習(SPECI)を提案する。
論文 参考訳（メタデータ） (2025-04-22T03:30:38Z)
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。