論文の概要: A Comprehensive Study of Implementation Bugs in Multi-modal Agents

• arxiv url: http://arxiv.org/abs/2607.04974v1
• Date: Mon, 06 Jul 2026 12:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.131797
• Title: A Comprehensive Study of Implementation Bugs in Multi-modal Agents
• Title（参考訳）: マルチモーダルエージェントにおける実装バグの総合的研究
• Abstract要約: マルチモーダルエージェント(Mエージェント)は、自律運転やロボット工学といった、複雑でオープンなシナリオに優れています。 動的で多様なマルチモーダル環境と相互作用する独自の要件は、新しい実装課題をもたらす。 エージェント問題の研究が増えているにもかかわらず、Mエージェント固有の実装バグに焦点を当てた体系的な研究は行われていない。
• 参考スコア（独自算出の注目度）: 21.467911257264735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-Modal Agents (M-agents), empowered by Large Language Models (LLMs), excel in various complex, open-world scenarios such as autonomous driving and robotics. However, their unique requirements to interact with dynamic and diverse multi-modal environments introduce novel implementation challenges beyond those faced by traditional agents. Outdated perception, untrustworthy planning and inapplicable execution could cause traffic accident and financial loss. Despite growing study on agent issues, there has not been a systematic study focusing on M-agent-specific implementation bugs. To address this gap, we conducted the first systematic study of implementation bugs in M-agents. We collected 34 representative M-agents from diverse sources and, through meticulous filtering,identified 158 M-agent-specific bugs from 1,268 issue reports. Using a top-down strategy, we developed a comprehensive taxonomy that classifies bugs by global symptoms, functionality component-level symptoms, and root causes. We then implemented MATester, an automatic proof-of-concept bug identifier by analyzing runtime inter-component outputs. When applied to 12 extra M-agents, MATester successfully covered 61.4% of known open issues and discovered 31 additional bugs, demonstrating the practical usefulness of our study. Our work provides a comprehensive reference and guideline for classification, prevention and fix of M-agent bugs.
• Abstract（参考訳）: 大規模言語モデル(LLM)によって強化されたマルチモーダルエージェント(Mエージェント)は、自律運転やロボット工学など、様々な複雑なオープンワールドシナリオに優れる。 しかし、動的で多様なマルチモーダル環境と対話するためのユニークな要件は、従来のエージェントが直面しているものを超えた、斬新な実装課題をもたらす。 古い認識、信頼できない計画、適用不可能な実行は、交通事故と財政的損失を引き起こす可能性がある。 エージェント問題の研究が増えているにもかかわらず、Mエージェント固有の実装バグに焦点を当てた体系的な研究は行われていない。 このギャップに対処するため,我々はMエージェントの実装バグに関する最初の系統的研究を行った。 様々な情報源から34名の代表的Mエージェントを採取し,1,268件の報告から精巧なフィルタリングにより158名のMエージェント特異的なバグを同定した。 トップダウン戦略を用いて,グローバルな症状,機能レベルの症状,根本原因によってバグを分類する包括的分類法を開発した。 そして、実行時コンポーネント間の出力を分析することで、概念実証のバグ識別子であるMATesterを実装した。 追加の12種類のM試薬に適用すると、MATesterは既知の未解決問題の61.4%をカバーし、31の新たなバグを発見し、本研究の実用性を実証した。 我々の研究は、Mエージェントバグの分類、予防、修正のための包括的な参照とガイドラインを提供する。

関連論文リスト

• Dissecting Bug Triggers and Failure Modes in Modern Agentic Frameworks: An Empirical Study [7.316203223478012]
  5つの代表的なエージェントフレームワークから409の固定バグを包括的に調査する。 エージェント固有の根本原因は,モデル関連障害,認知コンテキストの誤管理,オーケストレーション障害などである。 本研究は,エージェントシステムの信頼性向上とクロスプラットフォームテストを容易にする。
  論文  参考訳（メタデータ） (2026-04-10T03:13:24Z)
• OMNI-LEAK: Orchestrator Multi-Agent Network Induced Data Leakage [59.3826294523924]
  オーケストレータ設定として知られる,一般的なマルチエージェントパターンのセキュリティ脆弱性について検討する。 本報告では,フロンティアモデルの攻撃カテゴリに対する感受性を報告し,推論モデルと非推論モデルの両方が脆弱であることが確認された。
  論文  参考訳（メタデータ） (2026-02-13T21:32:32Z)
• Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
  数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。 モデル、足場、ベンチマークにまたがる3次元解析を行う。 私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
  論文  参考訳（メタデータ） (2025-10-13T22:22:28Z)
• Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
  M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。 M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。 本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
  論文  参考訳（メタデータ） (2025-09-20T01:54:20Z)
• Chain-of-Agents: End-to-End Agent Foundation Models via Multi-Agent Distillation and Agentic RL [41.847359443133776]
  CoA(Chain-of-Agents)は、大規模言語モデル(LLM)推論の新しいパラダイムであり、ネイティブなエンドツーエンドの複雑な問題解決を可能にする。 我々は, エージェント制御微調整のための多エージェント蒸留フレームワークを導入し, 最先端のマルチエージェントシステムをチェーン・オブ・エージェント・トラジェクトリに蒸留する。 次に、検証可能なエージェントタスクに対するエージェント強化学習を用いて、チェーン・オブ・エージェントの問題解決におけるモデルの能力をさらに向上する。
  論文  参考訳（メタデータ） (2025-08-06T17:01:02Z)
• Can Agents Fix Agent Issues? [15.50260831159089]
  LLMベースのエージェントシステムは、新しいソフトウェアパラダイムとして登場し、医学、ロボティクス、プログラミングといった様々な領域で広く採用されている。 これらのシステムを維持するには、バグが必然的に発生し、外部の要求に合うように継続的に進化するため、かなりの努力が必要です。 最近のソフトウェア工学(SE)エージェントは、従来のソフトウェアシステムにおける問題に対処することを約束しているが、エージェントシステムにおける現実の問題がどの程度効果的に解決できるかは不明だ。
  論文  参考訳（メタデータ） (2025-05-27T05:45:03Z)
• Which Agent Causes Task Failures and When? On Automated Failure Attribution of LLM Multi-Agent Systems [50.29939179830491]
  LLMマルチエージェントシステムにおける障害帰属は、まだ調査が過小評価されており、労働集約的である。 本稿では,3つの自動故障帰属手法の開発と評価を行い,その欠点と欠点を要約する。 最良の方法は、障害に応答するエージェントを特定する際に53.5%の精度を達成するが、故障の特定には14.2%しか役に立たない。
  論文  参考訳（メタデータ） (2025-04-30T23:09:44Z)
• Preventing Rogue Agents Improves Multi-Agent Collaboration [21.955058255432974]
  本稿では,アクション予測中にエージェントを監視し,将来エラーが発生する可能性がある場合に介入することを提案する。 WhoDunitEnv、コード生成タスク、そしてリソース持続可能性のためのGovSim環境の実験は、我々のアプローチがパフォーマンスを大幅に向上させることを示している。
  論文  参考訳（メタデータ） (2025-02-09T18:35:08Z)
• On the Resilience of LLM-Based Multi-Agent Collaboration with Faulty Agents [58.79302663733703]
  大規模言語モデルに基づくマルチエージェントシステムは、専門家エージェントの協力により、様々なタスクにまたがる優れた能力を示している。 不器用なエージェントや悪意のあるエージェントが与える影響 - システム全体のパフォーマンスにおいて、頻繁にタスクでエラーを犯すものは、いまだに過小評価されていない。 本稿では,下流タスクにおける障害要因下での各種システム構造のレジリエンスについて検討する。
  論文  参考訳（メタデータ） (2024-08-02T03:25:20Z)
• On the Use and Misuse of Absorbing States in Multi-agent Reinforcement Learning [55.95253619768565]
  現在のMARLアルゴリズムは、実験を通してグループ内のエージェントの数が固定されていると仮定している。 多くの実践的な問題において、エージェントはチームメイトの前に終了する可能性がある。 本稿では,吸収状態を持つ完全連結層ではなく,注意を用いた既存の最先端MARLアルゴリズムのアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-11-10T23:45:08Z)

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。