論文の概要: ToFu: A White-Box, Token-Efficient Agent Harness for Researchers

• arxiv url: http://arxiv.org/abs/2607.11423v1
• Date: Mon, 13 Jul 2026 11:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.44805
• Title: ToFu: A White-Box, Token-Efficient Agent Harness for Researchers
• Title（参考訳）: ToFu:研究者のためのホワイトボックスで効果的なエージェントハーネス
• Abstract要約: ToFuは、ファイルを読み、ファイルを編集し、コマンドを実行し、開発ツールと統合する研究者のためのエージェントハーネスだ。 研究助手として、より優れたトークン効率、低コスト、多言語能力で実践的な研究を支援する。 研究対象として、ToFuはホワイトボックスのエージェントハーネスを提供しており、研究者はオーケストレーションロジック、ツール使用の振る舞い、デザインを検査、修正、評価することができる。
• 参考スコア（独自算出の注目度）: 73.72929185946842
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agentic coding tools present new opportunities to transform research workflows. The performance of agent systems built depends on both large language models (LLMs) and the harness around LLMs, which is the orchestration code that determines an agent's behavior. We present ToFu, an agentic harness for researchers that reads your codebase, edits files, runs commands, and integrates with your development tools. ToFu plays a dual role in research. As a research assistant, it supports practical research workflows with superior token efficiency, lower cost, and multilingual capability compared with existing agentic harnesses. Its release under the MIT License further enables local deployment for privacy-sensitive users. As a research object, ToFu provides a white-box agentic harness that allows researchers to inspect, modify, and evaluate its orchestration logic, tool-use behavior, and harness design, while retaining strong benchmark performance and an application-level user experience.
• Abstract（参考訳）: エージェントコーディングツールは、研究ワークフローを変換する新しい機会を提供する。 構築されたエージェントシステムの性能は、エージェントの振る舞いを決定するオーケストレーションコードであるLLMの周辺にある大きな言語モデル(LLM)とハーネスの両方に依存する。 ToFuは、コードベースを読み、ファイルを編集し、コマンドを実行し、開発ツールと統合する研究者のためのエージェントハーネスです。 ToFuは研究において二重の役割を果たす。 研究アシスタントとして、既存のエージェントハーネスと比較して、トークン効率、低コスト、多言語能力に優れた実用的な研究ワークフローをサポートする。 MIT License下でのリリースにより、プライバシに敏感なユーザのローカルデプロイメントも可能になる。 研究対象として、ToFuはホワイトボックスのエージェントハーネスを提供し、研究者は強力なベンチマークパフォーマンスとアプリケーションレベルのユーザエクスペリエンスを維持しながら、オーケストレーションロジック、ツール使用の振る舞い、デザインを検査、修正、評価することができる。

関連論文リスト

• Code as Agent Harness [107.31925305395957]
  新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。 コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。 この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:03Z)
• MatClaw: An Autonomous Code-First LLM Agent for End-to-End Materials Exploration [0.0]
  我々は、Pythonを直接書き、実行するためのコードファーストエージェントであるMatchClawを提示する。 MatClawはコード生成を確実に扱うが、暗黙のドメイン知識に苦慮している。 その結果、ガイド付きと完全に自律的な計算材料研究のギャップはこれまで以上に狭くなっていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-04-03T03:32:15Z)
• CodeScout: An Effective Recipe for Reinforcement Learning of Code Search Agents [43.426809750160665]
  標準Unix端末にしか搭載されていない符号化エージェントをトレーニングして,強靭な結果が得られることを示す。 本研究は,コード検索,報酬設計,RL最適化のための既存のコーディングエージェント環境を再利用する技術に重点を置いている。 得られたモデルファミリであるCodeScoutと、コミュニティが構築するすべてのコードとデータをリリースします。
  論文  参考訳（メタデータ） (2026-03-18T15:25:42Z)
• ET-Agent: Incentivizing Effective Tool-Integrated Reasoning Agent via Behavior Calibration [68.89572566071575]
  ETAgentはエージェントのツール使用行動を調整するためのトレーニングフレームワークである。 過誤行動パターンを最適行動に段階的に校正するように設計されている。
  論文  参考訳（メタデータ） (2026-01-11T11:05:26Z)
• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• Open Source Planning & Control System with Language Agents for Autonomous Scientific Discovery [5.326072982491534]
  cmbagentは科学研究タスクの自動化システムである。 このシステムはおよそ30のLarge Language Model (LLM)エージェントによって構成されている。 このシステムはHuggingFace上にデプロイされ、クラウド上で利用できるようになる。
  論文  参考訳（メタデータ） (2025-07-09T20:03:30Z)
• LLM Agents Making Agent Tools [2.5529148902034637]
  ツールの使用は、大規模言語モデル(LLM)を、複雑なマルチステップタスクを実行できる強力なエージェントに変えた。 しかし、これらのツールは人間の開発者によって事前に実装されなければならない。 論文をコードで自律的にLLM互換のツールに変換するエージェントフレームワークであるToolMakerを提案する。
  論文  参考訳（メタデータ） (2025-02-17T11:44:11Z)
• Small Agent Can Also Rock! Empowering Small Language Models as Hallucination Detector [114.88975874411142]
  幻覚検出は大規模言語モデル(LLM)にとって難しい課題である 本稿では,HluAgentと呼ばれる自律型LLMエージェントフレームワークを提案する。 HaluAgentでは、LLM、多機能ツールボックスを統合し、きめ細かい3段階検出フレームワークを設計する。
  論文  参考訳（メタデータ） (2024-06-17T07:30:05Z)
• MLAgentBench: Evaluating Language Agents on Machine Learning Experimentation [96.71370747681078]
  我々は,CIFAR-10におけるモデル性能の改善から,BabyLMのような最近の研究課題まで,13のタスクからなるMLAgentBenchを紹介した。 各タスクに対して、エージェントはファイルの読み書き、コードの実行、出力の検査などのアクションを実行することができる。 我々は、Claude v1.0、Claude v2.1、Claude v3 Opus、GPT-4、GPT-4-turbo、Gemini-Pro、Mixtralに基づいてベンチマークエージェントをベンチマークし、Claude v3 Opusエージェントが成功率の点で最高であることを示す。
  論文  参考訳（メタデータ） (2023-10-05T04:06:12Z)
• Agents: An Open-source Framework for Autonomous Language Agents [98.91085725608917]
  我々は、言語エージェントを人工知能への有望な方向と見なしている。 Agentsはオープンソースライブラリで、これらの進歩を広く非専門的な聴衆に開放することを目的としています。
  論文  参考訳（メタデータ） (2023-09-14T17:18:25Z)

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。