論文の概要: SkillOpt-Lite: Better and Faster Agent Self-evolution via One Line of Vibe
- arxiv url: http://arxiv.org/abs/2607.03451v1
- Date: Fri, 03 Jul 2026 16:07:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.622334
- Title: SkillOpt-Lite: Better and Faster Agent Self-evolution via One Line of Vibe
- Title（参考訳）: SkillOpt-Lite: 1行のウイルスによるより良くより高速なエージェントの自己進化
- Abstract要約: ゼロ・オーダー(ZO)最適化によるスキル最適化を形式化し、古典的手法を最近の文献にマッピングする。
SkillOpt-Liteは収束を加速し、完全なSkillOptより優れている: GPT-5.5でLiveMathを+8.8ポイント、GPT-5.4nanoで+25.4ポイント改善する。
当社のフレームワークをVSCode Copilotのような実運用のコーディングエージェントに統合しています。
- 参考スコア（独自算出の注目度）: 29.39511280564825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While skill optimization for autonomous agents has gained traction, existing methods rely on complex pipelines. This leaves a fundamental question unaddressed: What constitutes a minimal viable pipeline for skill optimization, where every component is justified by theory or empirical necessity? We formalize skill optimization via Zeroth-Order (ZO) optimization, mapping classical counterparts (central difference, trust regions) to recent literature. Noting that unlike blind numerical perturbations in classical ZO, skill trajectories serve as interpretable debugging feedback. Grounded in Claude Code philosophy and PAC learning, we establish three principles for convergence and generalization: file-system-based trajectory exploration, consensus attribute mining, and independent validation gating. Eliminating redundancies, we propose SkillOpt-Lite. It accelerates convergence and outperforms full SkillOpt: improving LiveMath by +8.8 points on GPT-5.5 and +25.4 points on GPT-5.4-nano, allowing the nano model to surpass standard GPT-5.4 optimized by SkillOpt. Finally, we integrate our framework into production coding agents like VSCode Copilot, enabling developers to evolve agent skills via one line of vibe. Because our framework treats all agent components simply as standard editable code, this minimal pipeline naturally generalizes to full harness optimization (HarnessOpt). On SpreadsheetBench, HarnessOpt enables GPT-5.4-nano to achieve 0.7758 accuracy, outperforming the larger GPT-5.5 running standard pipelines (0.7620). Code is available at https://github.com/EvolvingLMMs-Lab/SkillOpt-Lite.
- Abstract（参考訳）: 自律エージェントのスキル最適化が注目を集めている一方で、既存の手法は複雑なパイプラインに依存している。
すべてのコンポーネントが理論や経験的必要性によって正当化されるような、スキル最適化のための最小限のパイプラインを構成するものは何でしょうか?
ゼロ・オーダー(ZO)最適化によるスキル最適化を形式化し、古典的な分野(中央差分、信頼領域)を最近の文献にマッピングする。
古典的なZOのブラインド数値摂動とは異なり、スキルトラジェクトリは解釈可能なデバッグフィードバックとして機能する。
クロード・コード哲学とPAC学習に基づいて, 収束と一般化の原則として, ファイルシステムに基づく軌道探索, コンセンサス属性マイニング, 独立検証ゲーティングの3つを確立する。
冗長性を排除し,SkillOpt-Liteを提案する。
GPT-5.5でLiveMathを+8.8ポイント、GPT-5.4-nanoで+25.4ポイント改善することで、ナノモデルはSkillOptで最適化された標準のGPT-5.4を超えることができる。
最後に、当社のフレームワークをVSCode Copilotのようなプロダクションコーディングエージェントに統合することで、開発者は1行のビブでエージェントスキルを進化させることができる。
私たちのフレームワークは、すべてのエージェントコンポーネントを標準の編集可能なコードとして扱うので、この最小限のパイプラインは、自然に完全なハーネス最適化(HarnessOpt)に一般化します。
SpreadsheetBenchでは、HarnessOptはGPT-5.4-nanoを0.7758の精度で実行し、GPT-5.5の標準パイプライン(0.7620)より優れている。
コードはhttps://github.com/EvolvingLMMs-Lab/SkillOpt-Liteで公開されている。
関連論文リスト
- FLARE: Few-shot Learning-based Adaptive Reflective Engine [0.9932714016119233]
本稿では,FLARE(Few-shot Learning-based Adaptive Reflective Engine)を紹介する。
我々は,GPT-5シリーズのモデルを用いて,多種多様なベンチマークを対象とする手法の評価を行った。
その結果、FLAREはGEPAより一貫して優れており、各タスクモデルペアで勝っていることがわかった。
論文 参考訳（メタデータ） (2026-08-03T22:13:12Z) - ISO: An RLVR-Native Optimization Stack [50.40395312897848]
アイソスペクトル最適化(ISO)としてスペクトル継承を運用する
オフラインでは、ISO-Mergerは共有ベーススペシャリストのフレーム変更を単一の固定スペクトルモデルに統合する。
オンラインのISO-Mergerは、AdamWやMuonを含む選択されたベースをフレーム変数に適用し、ベーススペクトルを固定する。
論文 参考訳（メタデータ） (2026-07-21T17:51:36Z) - FAPO: Fully Automated Prompt Optimization of Multi-Step LLM Pipelines [27.787143341955698]
FAPOは、Claude Codeが標準化されたフレームワーク内でLLMパイプラインを最適化することを可能にするフレームワークです。
FAPOはパイプラインを評価し、中間ステップを検査し、障害を診断し、スコープ変更を提案し、変種を検証する。
FAPOは18のモデルベンチマーク比較のうち15でベースラインのEPAを上回っている。
論文 参考訳（メタデータ） (2026-06-17T21:16:45Z) - SkillOpt: Executive Strategy for Self-Evolving Agent Skills [39.94802218531371]
SkillOptはエージェントスキルのためのコントロール可能なテキストスペースである。
別々のモデルでは、スコアの付いたロールアウトを1つのスキルドキュメントのバウンダリされた追加/削除/リプレースに切り替える。
学習速度の予算、拒否編集バッファ、エポックワイド/メタアップデートは、スキルトレーニングを安定させる。
論文 参考訳（メタデータ） (2026-05-22T17:59:50Z) - HyDRA: Hybrid Dynamic Routing Architecture for Heterogeneous LLM Pools [2.0320563270126493]
我々は,クエリ毎の細粒度,多次元能力要件を予測するフレームワークHyDRAを提案する。
ショートフォールマッチングアルゴリズムは、予測された要求を満たす機能を持つ最も安価なモデルを選択する。
このフレームワークは、GitHub CopilotのVS Code Chat自動モードのすべてのユーザにデプロイされる。
論文 参考訳（メタデータ） (2026-05-16T18:19:30Z) - Celo2: Towards Learned Optimization Free Lunch [18.43722869300503]
単純な正規化アーキテクチャの構築とメタトレーニングの強化により、パフォーマンスの高い汎用的な学習更新ルールをメタトレーニングすることは可能になった。
我々の学習した更新規則は、そのメタトレーニング分布よりも6桁大きい10億規模の事前訓練タスク(GPT-3 XL 1.3B 1.3)に安定してスケールする。
論文 参考訳（メタデータ） (2026-02-22T12:15:43Z) - Step 3.5 Flash: Open Frontier-Level Intelligence with 11B Active Parameters [169.7981969517903]
Step 3.5 Flashは、フロンティアレベルのエージェントインテリジェンスと計算効率を橋渡しする。
エージェントを構築する上で最も重要なもの、すなわち、シャープな推論と高速で信頼性の高い実行に重点を置いています。
論文 参考訳（メタデータ） (2026-02-11T07:53:51Z) - POME: Post Optimization Model Edit via Muon-style Projection [74.73326657229347]
POME(Post-Optimization Model Edit)は、微調整された大規模言語モデルの性能を向上させる。
デルタW$のミューオン式のプロジェクションを使い、微調整された重量と事前訓練された重量の違いを区別する。
単純な後処理ステップとして、POMEはトレーニングパイプラインから完全に分離される。
論文 参考訳（メタデータ） (2025-10-08T04:20:11Z) - In-the-Flow Agentic System Optimization for Effective Planning and Tool Use [73.72524040856052]
AgentFlowはトレーニング可能なインザフローエージェントフレームワークで、進化するメモリを通じて4つのモジュール(プランナ、実行子、検証子、ジェネレータ)をコーディネートする。
Flow-GRPOは、マルチターン最適化をトラクタブルな単一ターンポリシー更新のシーケンスに変換することで、長い水平、スパース・リワードのクレジット割り当てに取り組む。
エージェントフローは7Bスケールのバックボーンで、平均的精度が14.9%、エージェントが14.0%、数学が14.5%、科学的タスクが4.1%でトップパフォーマンスのベースラインを上回っている。
論文 参考訳（メタデータ） (2025-10-07T05:32:44Z) - ComfyGPT: A Self-Optimizing Multi-Agent System for Comprehensive ComfyUI Workflow Generation [96.44354750396019]
ComfyGPTはタスク記述に基づいてComfyUIを生成するように設計された自動最適化マルチエージェントシステムである。
FlowDatasetは、13,571のワークフロー記述ペアを含む大規模なデータセットである。
FlowBenchはワークフロー生成システムを評価するためのベンチマークである。
論文 参考訳（メタデータ） (2025-03-22T06:48:50Z) - Self-Play Preference Optimization for Language Model Alignment [75.83359213697854]
近年の進歩は、嗜好の確率で直接作業することで、人間の嗜好をより正確に反映できることを示している。
本稿では,言語モデルアライメントのためのセルフプレイ方式を提案する。
我々の手法はSPPO(Self-Play Preference Optimization)と呼ばれ、繰り返しポリシー更新を利用してナッシュ均衡を確実に近似する。
論文 参考訳（メタデータ） (2024-05-01T17:59:20Z)
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。