論文の概要: SAFARI: Scaling Long Horizon Agentic Fault Attribution via Active Investigation

• arxiv url: http://arxiv.org/abs/2606.24626v1
• Date: Tue, 23 Jun 2026 14:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:49.013596
• Title: SAFARI: Scaling Long Horizon Agentic Fault Attribution via Active Investigation
• Title（参考訳）: SAFARI: アクティブサーベイによる長軸エージェント断層属性のスケーリング
• Authors: Chenyang Zhu, Jiayu Yao, Kushal Chawla, Youbing Yin, Nathan Wolfe, Pengshan Cai, Jingyu Wu, Spencer Hong, Sangwoo Cho, Shi-Xiong Zhang, Daben Liu, Sambit Sahu, Erin Babinsky,
• Abstract要約: SAFARIは、リニアコンテキストローディングをツール拡張診断ループに置き換えるフレームワークである。 実験の結果,SAFARIは100万トークンの予算内で,最先端の成果を20%上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 15.18410698725036
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As autonomous agents tackle increasingly complex multi-step, multi-agent tasks, their execution trajectories have scaled beyond the constraints of even the largest context windows. Current methods for effectively diagnosing agent failures load the full trajectory into an LLM's context window, which suffers from attention dilution and fails when agentic traces inevitably exceed context limits. To address this, we introduce SAFARI (Scaling long-horizon Agentic Fault AttRibution via active Investigation), a framework that replaces linear context loading with a tool-augmented diagnostic loop. By equipping LLMs with a specialized toolbox to read and search trajectory segments alongside a persistent Short-Term Memory (STM) for cross-turn reasoning, SAFARI effectively decouples diagnostic accuracy from architectural context limits. Our experiments demonstrate that SAFARI outperforms state-of-the-art results by 20% on the Who&When dataset within a 1M token budget, and by 19% on TRAIL GAIA subset on a 25K token budget. Most significantly, SAFARI maintains a 0.58 precision even when the target fault resides 5x beyond the model's native context window, a scenario where traditional evaluators fail entirely.
• Abstract（参考訳）: 自律エージェントがますます複雑なマルチステップのマルチエージェントタスクに取り組むにつれ、その実行軌跡は最大のコンテキストウィンドウの制約を超えて拡大してきた。 エージェント障害を効果的に診断するための現在の手法は、エージェントトレースがコンテキスト制限を必然的に超過した場合に、注意の希釈に苦しむLLMのコンテキストウィンドウに全軌道をロードする。 そこで本稿では,線形コンテキストロードをツール拡張診断ループに置き換えるフレームワークであるSAFARI(Scaling long-horizon Agentic Fault AttRibution via Active Investigation)を紹介する。 LLMに特別なツールボックスを装備し、クロスターン推論のための持続的短期記憶(STM)と共にトラジェクトリセグメントを読み取り、検索することで、SAFARIはアーキテクチャのコンテキスト制限から診断精度を効果的に分離する。 実験の結果,SAFARIは1Mトークン予算において,Who&Whenデータセットで20%,TRAIL GAIAサブセットで19%,最先端の成果で20%を上回った。 最も顕著な点として、SAFARIは、対象の障害がモデルのネイティブコンテキストウィンドウの5倍にも達する場合でも、0.58の精度を維持している。

関連論文リスト

• TRACE: Trajectory Reasoning through Adaptive Cross-Step Evidence Aggregation for LLM Agents [62.969415789328025]
  LLMエージェントは、個々の良性行動のシーケンスを通じて、隠れた悪意のある目的を追求することができる。 既存のアプローチでは、1つのパスで完全な軌跡を評価するか、独立して評価されたウィンドウに分割する。 本研究では,長期LLMエージェントトラジェクトリのモニタリングフレームワークであるTRACEを提案する。
  論文  参考訳（メタデータ） (2026-06-05T08:54:38Z)
• The Long-Horizon Task Mirage? Diagnosing Where and Why Agentic Systems Break [69.91172974854422]
  HORIZONは、大規模言語モデル(LLM)エージェントの長期障害挙動を解析するためのクロスドメイン診断ベンチマークである。 我々は,複数のモデルファミリーのSOTA(State-of-the-art)エージェントを評価し,水平方向依存劣化パターンについて検討した。 本研究は, 長期薬物障害の系統的, クロスドメイン解析への最初の方法論的ステップを提供する。
  論文  参考訳（メタデータ） (2026-04-13T19:11:42Z)
• ATBench: A Diverse and Realistic Agent Trajectory Benchmark for Safety Evaluation and Diagnosis [96.92417622318267]
  ATBenchは、エージェント安全性の構造化、多様性、現実的な評価のための軌道レベルのベンチマークである。 リスクソース、障害モード、現実世界の危害の3つの側面に沿ってエージェント的リスクを編成する。 1000個の軌道(安全503個、安全497個)があり、平均9.01ターンと3.95kトークンがあり、2,084個のツールにまたがるプールから1,954個のツールが呼び出されている。
  論文  参考訳（メタデータ） (2026-04-02T13:26:20Z)
• An Industrial-Scale Insurance LLM Achieving Verifiable Domain Mastery and Hallucination Control without Competence Trade-offs [20.181876038751156]
  INS-S1は、新しいエンドツーエンドアライメントパラダイムによってトレーニングされた保険特有なLarge Language Modelsファミリーである。 INS-S1はドメインタスクでのSOTAパフォーマンスを実現し、DeepSeek-R1とGemini-2.5-Proを大きく上回っている。 本結果は,汎用知能を損なうことなく,厳密な領域の特殊化を実現することができることを示す。
  論文  参考訳（メタデータ） (2026-03-15T16:13:37Z)
• ICON: Indirect Prompt Injection Defense for Agents based on Inference-Time Correction [24.416258744287166]
  ICONは、タスクの連続性を維持しながら攻撃を中和する、調査と軽減のためのフレームワークである。 ICONは競争力のある0.4%のASRを達成し、商業グレード検出器と一致し、50%以上のタスクユーティリティーゲインを得る。
  論文  参考訳（メタデータ） (2026-02-24T09:13:05Z)
• What Makes a Good LLM Agent for Real-world Penetration Testing? [37.56537537883771]
  LLMをベースとした28の浸透試験システムを分析し,複雑性の増大を示す3つのベンチマークで5つの代表的実装を評価した。 我々は、B型障害がLLMの根本原因とほとんど変わらず、エージェントはリアルタイムなタスクの難易度推定を欠いていることを示す。 Excaliburは、強力なツールと困難な計画とを結合した浸透試験エージェントである。
  論文  参考訳（メタデータ） (2026-02-19T18:42:40Z)
• DLLM Agent: See Farther, Run Faster [94.74432470237817]
  拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。 我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。 DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
  論文  参考訳（メタデータ） (2026-02-07T09:01:18Z)

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。