Fugu-MT 論文翻訳(概要): Libra: Training the Environment for Agentic Information Retrieval

論文の概要: Libra: Training the Environment for Agentic Information Retrieval

arxiv url: http://arxiv.org/abs/2607.00016v1
Date: Tue, 26 May 2026 17:32:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 00:46:12.969469
Title: Libra: Training the Environment for Agentic Information Retrieval
Title（参考訳）: Libra:エージェント情報検索環境の育成
Abstract要約: 変更可能な"カタログ"をリポジトリに導入するフレームワークであるLibraを紹介します。本研究では,この環境修復がコードローカライゼーション精度の持続的・対数的改善をもたらすことを示す。また、Libra最適化カタログを備えた最小限の符号化エージェントは、最先端のベースラインよりも優れていることを示す。
参考スコア（独自算出の注目度）: 2.483104923585137
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Information localization within massive repositories is a cornerstone of agentic LLM systems. While synthetic data-driven optimization has proven successful in training LLMs, little attention has been paid to optimizing the agent's working environment (the repository itself) in a data-driven manner. To bridge this gap, we present Libra, a self-evolving framework that introduces mutable "catalogs" (hierarchical Markdown files serving as navigable indices) into the repository. Libra runs an LLM-driven optimization loop where a Prompter generates synthetic queries, a frozen Solver attempts to resolve them by navigating the catalogs, and a Healer rewrites the catalogs in response to the Solver's localization failures. Evaluations across 12 SWE-bench Lite repositories demonstrate that this environmental healing yields continual, logarithmic improvements in code localization accuracy. Furthermore, these environmental improvements transfer zero-shot across different LLMs and problem sets. Although the focus of this paper is to study the general behavior of such a system, we also demonstrate that a minimalist coding agent equipped with Libra-optimized catalogs outperforms state-of-the-art baselines. Code is available at https://github.com/salesforce-misc/Libra and data at https://huggingface.co/datasets/Salesforce/Libra.
Abstract（参考訳）: 大規模リポジトリ内の情報ローカライゼーションは,エージェントLLMシステムの基盤となっている。合成データ駆動型最適化はLLMのトレーニングで成功したが、エージェントの作業環境(リポジトリ自身)をデータ駆動方式で最適化することにはほとんど注意が払われていない。このギャップを埋めるために、私たちは、変更可能な"カタログ(階層的なMarkdownファイルがナビゲート可能なインデックスとして機能する)をリポジトリに導入する自己進化フレームワークであるLibraを紹介します。 LibraはLLM駆動の最適化ループを実行し、Prompterは合成クエリを生成し、凍結したSolverはカタログをナビゲートし、HealerはSolverのローカライゼーション障害に対応してカタログを書き換える。 12のSWE-bench Liteレポジトリに対する評価は、この環境修復がコードローカライゼーション精度の持続的、対数的改善をもたらすことを示している。さらに、これらの環境改善は、異なるLLMと問題セット間でゼロショットを転送する。本稿では,このようなシステムの一般的な動作を研究することを目的としているが,Libra最適化カタログを備えた最小限の符号化エージェントは,最先端のベースラインよりも優れていることを示す。コードはhttps://github.com/salesforce-misc/Libraで、データはhttps://huggingface.co/datasets/Salesforce/Libraで入手できる。

関連論文リスト

Modular Representation Compression: Adapting LLMs for Efficient and Effective Recommendations [53.53864188270018]
大規模言語モデル(LLM)には高度なレコメンデーションシステム(RS)がある。 LLMのモジュラリティを明示的に制御するための MARC を提案する。 MARCは大規模な商用検索広告シナリオにおけるオンラインA/Bテストで2.82%のeCPMリフトを達成した。
論文参考訳（メタデータ） (2026-04-20T12:08:58Z)
RankLLM: A Python Package for Reranking with LLMs [36.83343408896376]
本稿では,大規模言語モデル (LLM) をランク付けするオープンソースPythonパッケージである RankLLM を紹介する。 RankLLMは、ユーザビリティを改善するために、検索用のPyseriniとオプションで統合し、マルチステージパイプラインの総合的な評価を提供する。 RankGPT,LRL, RankVicuna, RankZephyr, その他の最近のモデルの結果を再現する。
論文参考訳（メタデータ） (2025-05-25T19:29:27Z)
SweRank: Software Issue Localization with Code Ranking [109.3289316191729]
SweRankは、ソフトウェア問題ローカライゼーションのための効率的な検索と参照のためのフレームワークである。パブリックなGitHubリポジトリからキュレートされた大規模なデータセットであるSweLocを構築します。 SweRankは最先端の性能を達成し、従来のランキングモデルとコストの高いエージェントベースシステムの両方より優れていることを示す。
論文参考訳（メタデータ） (2025-05-07T19:44:09Z)
Issue Localization via LLM-Driven Iterative Code Graph Searching [10.396193740828032]
本稿では,学習や索引付けを伴わない,LLM駆動の強力な機能レベルの課題ローカライズ手法であるCoSILを紹介する。実験の結果、CoSILはSWE-bench LiteとSWE-bench Verifiedで43.3%、44.6%のTop-1ローカライゼーション精度を達成した。 CoSILをAgentlessという問題解決手法に統合すると、問題解決率は2.98%--30.5%向上する。
論文参考訳（メタデータ） (2025-03-28T13:36:26Z)
LLM-Lasso: A Robust Framework for Domain-Informed Feature Selection and Regularization [59.75242204923353]
LLM-Lassoは大規模言語モデル(LLM)を利用してラッソ回帰における特徴選択を導くフレームワークである。 LLMは各特徴に対してペナルティ因子を生成し、単純でチューニング可能なモデルを用いてラスソペナルティの重みに変換される。 LLMによりより関連づけられた特徴は、より低い罰を受け、最終モデルに保持される可能性を高める。
論文参考訳（メタデータ） (2025-02-15T02:55:22Z)
Invar-RAG: Invariant LLM-aligned Retrieval for Better Generation [43.630437906898635]
Invar-RAGと呼ばれる2段階ファインチューニングアーキテクチャを提案する。検索段階では、LORAに基づく表現学習を統合してLLMベースの検索器を構築する。生成段階では、抽出した情報に基づいて回答を生成する際のLCM精度を向上させるための精細調整法が用いられる。
論文参考訳（メタデータ） (2024-11-11T14:25:37Z)
Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding [61.45448947483328]
LLMベースのレコメンダシステム(LASER)の投機的復号化によるロスレス高速化について紹介する。 LASERは、検索効率を高めるためのカスタマイズされた検索プールと、ドラフトトークンの受け入れ率を改善するための緩和検証を備えている。 LASERは公開データセットの3～5倍のスピードアップを実現し、オンラインA/Bテスト中に約67%の計算リソースを節約する。
論文参考訳（メタデータ） (2024-08-11T02:31:13Z)
A Review of Repository Level Prompting for LLMs [0.0]
大規模言語モデル(LLM)は、HumanEvalベンチマークで94.6%の解決率を達成するなど、顕著な成功を収めている。 GitHub CopilotやTab Nineといったリポジトリレベルのインラインコード補完ツールの商用化が進んでいる。本稿では,個々のコーディング問題からリポジトリスケールソリューションへの移行について述べる。
論文参考訳（メタデータ） (2023-12-15T00:34:52Z)
ML-Bench: Evaluating Large Language Models and Agents for Machine Learning Tasks on Repository-Level Code [76.84199699772903]
ML-Benchは、既存のコードリポジトリを利用してタスクを実行する現実世界のプログラミングアプリケーションに根ざしたベンチマークである。 LLM(Large Language Model)とAIエージェントの両方を評価するために、事前に定義されたデプロイメント環境でLLMのテキスト-コード変換を評価するML-LLM-Benchと、Linuxサンドボックス環境でエンドツーエンドのタスク実行で自律エージェントをテストするML-Agent-Benchの2つの設定が採用されている。
論文参考訳（メタデータ） (2023-11-16T12:03:21Z)
From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
論文参考訳（メタデータ） (2023-08-23T09:45:29Z)

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。