論文の概要: RCWT: Measuring Task-Budget Displacement from Coordination Content in LLM Calls

• arxiv url: http://arxiv.org/abs/2607.12216v1
• Date: Mon, 13 Jul 2026 23:31:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.992594
• Title: RCWT: Measuring Task-Budget Displacement from Coordination Content in LLM Calls
• Title（参考訳）: RCWT:LLM通話における調整内容からのタスク予算変位の測定
• Abstract要約: マルチエージェントおよびメモリ拡張 LLM システムは、コーディネートコンテンツ、共有状態、事前の議論、ツール出力、要約、ロール命令を現在のタスクに使用するのと同じ有限プロンプト内に配置することが多い。 調整に費やされたすべてのトークンは、固定されたコンテキスト予算の下で呼び出しが組み立てられたときのタスク命令やエビデンスには利用できない。 本稿では,このタスク予算の変位効果を測定するための制御プロトコルであるRoundtable Context Window Test (RCT)を紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-agent and memory-augmented LLM systems often place coordination content, shared state, prior discussion, tool outputs, summaries, and role instructions, inside the same finite prompt used for the current task. This creates a practical allocation problem: every token spent on coordination is unavailable to task instructions or evidence when a call is assembled under a fixed context budget. We introduce the Roundtable Context Window Test (RCWT), a controlled protocol for measuring this task-budget displacement effect. RCWT varies coordination content while controlling total budget, position order, task family, and scoring. In the main context-dependent recall task at $W=4096$, three commercial models remain near baseline through moderate overhead and then degrade sharply once residual reference evidence falls to a few hundred tokens. Window-scaling summaries are consistent with a task-specific residual-budget interpretation rather than a fixed percentage threshold, but we treat this as descriptive evidence rather than a universal law. To test whether the fixed-budget cliff persists when task evidence remains intact, we add an intact-task ablation: the full task/reference block is kept present while coordination tokens increase by expanding total prompt length. In that setting, all tested calls return every scored field correctly across GPT-4.1-mini, Claude Haiku 4.5, and Gemini 2.5 Flash up to a 95\% coordination ratio. This ablation narrows the claim: the main RCWT cliff is best read as task-budget displacement, not as proof that coordination volume alone causes semantic interference in the original open-ended task. RCWT is therefore a measurement primitive for context-allocation budgeting, not a complete theory of multi-agent benefit or session-level coordination.
• Abstract（参考訳）: マルチエージェントおよびメモリ拡張 LLM システムは、コーディネーションコンテンツ、共有状態、事前の議論、ツール出力、要約、ロール命令を、現在のタスクで使用されるのと同じ有限プロンプト内に配置することが多い。 調整に費やされたすべてのトークンは、固定されたコンテキスト予算の下で呼び出しが組み立てられたときのタスク命令やエビデンスには利用できない。 本稿では、このタスク予算変位効果を測定するための制御プロトコルであるラウンドテーブルコンテキストウィンドウテスト(RCWT)を紹介する。 RCWTは、総予算、位置順、タスクファミリー、得点を制御しながら調整内容を変化させる。 W=4096$のメインのコンテキスト依存リコールタスクでは、3つの商用モデルが中程度のオーバーヘッドを経てベースライン近くにとどまり、残余の参照エビデンスが数百のトークンに該当すると、急激に低下する。 ウィンドウスケーリング要約は、一定のパーセンテージ閾値ではなくタスク固有の残予算解釈と一致しているが、我々はこれを普遍法ではなく記述的証拠として扱う。 タスクエビデンスをそのまま維持した場合,固定予算崖が持続するかどうかを確認するため,全タスク/参照ブロックが維持され,調整トークンは総プロンプト長を拡大して増大する。 この設定では、テストされたすべての呼び出しは、GPT-4.1-mini、Claude Haiku 4.5、およびGemini 2.5 Flashのすべてのスコアフィールドを95%の調整比率で返却する。 このアブレーションは主張を狭める: メインRCWT崖は、調整量だけで本来のオープンエンドタスクに意味的な干渉を引き起こすという証拠ではなく、タスク予算のずれとして最もよく読まれる。 したがってRCWTは、マルチエージェントの利益やセッションレベルの調整の完全な理論ではなく、コンテキストアロケーションの予算化のための測定プリミティブである。

関連論文リスト

• Learning Source Acquisition Policies by Offline Planning [4.521665817810516]
  O-MPACは、完全なトレーニングレコードから有限水平リスクコストターゲットを共有ソースアクションスコアラに転送する。 教師の目標と残りの計画的地平線が学習した意思決定にどのように影響するかを分析する。 O-MPACは、ソース適応GDFS、DIME、AACO+NN、および静的ポリシーに対する5つのタスクに対して、平均的な予算統合精度を持つ。
  論文  参考訳（メタデータ） (2026-09-13T05:41:25Z)
• Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents [15.526916927007049]
  LLMエージェントは、選択のための自然言語記述と計画のための教示体を使用して、ますますサードパーティのスキルに依存している。 Convergent Detour Hijacking(CDH)を紹介します。 複数 LLM バックエンドと 491 のホールドアウトタスクを単一タスクおよび複数ターン条件下で評価した。
  論文  参考訳（メタデータ） (2026-08-12T17:12:49Z)
• Don't Commit Alone: Joint Token Commitment in Diffusion Large Language Models [0.6916773850242582]
  マーカー付きコーディネーションパスであるCoCommitを提案する。 LLaDA2.1-miniとLoRAアダプタと一致したグリーディ推論では、共同コミットメントは評価した6つのベンチマークの正確性を改善する。
  論文  参考訳（メタデータ） (2026-07-05T19:29:13Z)
• Budgeted Act-or-Defer Multi-Agent LLM Deliberation with Local Reliability Bounds [8.682220907885714]
  これを予算化された行動または決定決定として定式化します。 システムは議論のプレフィックスを低次元の状態にマップする。 境界がユーザ指定の信頼性しきい値を超えた場合にのみ作用する。
  論文  参考訳（メタデータ） (2026-06-28T23:46:56Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Effort as Ceiling, Not Dial: Reasoning Budget Does Not Modulate Cognitive Cost Alignment Between Humans and Large Reasoning Models [0.4306164411864404]
  大きな推論モデルは、認知タスク全体で人間の反応時間を追跡するチェーンオブ思考のトレースを生成する。 このアライメントが推論時間推論の努力と異なるかどうかをテストする。 トレーニングタイムの達成、LRMと人間の間の認知的コストの調整は、トレーニングタイムの達成のように見える。
  論文  参考訳（メタデータ） (2026-05-16T11:20:01Z)
• Efficient Ensemble Selection from Binary and Pairwise Feedback [32.05855919168298]
  マルチウィンナー投票の分布変種として選択問題を考察する。 我々は、正しい/間違った結果のタスクに対する二項フィードバックと、候補出力を優先的に比較したタスクに対するペアフィードバックの両方を解析する。 本稿では,全情報最適化はPTASを許容するが,Gap-ETHの下ではEPPTASを含まないことを示し,目的はモノトーンだが部分モジュラーではないことを示す。
  論文  参考訳（メタデータ） (2026-05-10T15:01:34Z)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• General learned delegation by clones [55.144380092379976]
  シリアル推論や非協調並列サンプリングは、固定された推論予算の下では計算非効率である。 本研究では,SELFCESTを提案する。SELFCESTは,同じクローンを異なる並列コンテキストで生成する機能を備えたベースモデルである。
  論文  参考訳（メタデータ） (2026-02-03T15:53:35Z)
• BOTS: A Unified Framework for Bayesian Online Task Selection in LLM Reinforcement Finetuning [82.925106913459]
  強化微調整(Reinforcement Finetuning, RFT)は、大規模言語モデル(LLM)を人間の嗜好と整合させ、推論を強化するための重要な手法である。 RFT強化微調整におけるベイズオンラインタスク選択のための統合フレームワークBOTSを紹介する。
  論文  参考訳（メタデータ） (2025-10-30T11:15:23Z)
• Directional Ensemble Aggregation for Actor-Critics [13.374594152438691]
  Directional Ensemble Aggregation (DEA) はアクター批判フレームワークにおける$Q$-valueの推定を適応的に組み合わせたアグリゲーション手法である。 DEAは2つの完全に学習可能な方向性パラメータを導入している。 我々は、インタラクティブからサンプル効率まで、連続的な制御ベンチマークと学習体制にわたるDEAを評価し、静的アンサンブル戦略による効果を実証する。
  論文  参考訳（メタデータ） (2025-07-31T12:40:50Z)
• OCEAN: Online Task Inference for Compositional Tasks with Context Adaptation [150.1979017130774]
  構成タスクに対するオンラインタスク推論を行うための変分推論フレームワークを提案する。 本フレームワークは,タスク構造に関する事前の知識に基づいて,柔軟な潜伏分布をサポートし,教師なしで訓練することができる。
  論文  参考訳（メタデータ） (2020-08-17T04:50:34Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)

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。