論文の概要: Set-shifting Behavioral Test for Harnessed Agents

• arxiv url: http://arxiv.org/abs/2607.13396v1
• Date: Wed, 15 Jul 2026 02:49:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.625103
• Title: Set-shifting Behavioral Test for Harnessed Agents
• Title（参考訳）: ハーネス剤のセットシフト挙動試験
• Abstract要約: 我々は、認知心理学からのセットシフトを借りて、エージェントが隠れた信頼性の変化にどのように適応するかを研究する。 エージェントはデフォルトで、各境界の数回以内の小さな繰り返しルーチンに落ち着く。 我々は,各エージェント軌跡のセットシフト精度を,ポストシフト後のウィンドウ毎に目標ツール群にルーティングする結合確率として評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: What happens to an LLM agent's tool choice when the reliable tool silently changes within an ongoing session? We borrow set-shifting from cognitive psychology to study how well agents adapt to hidden reliability shifts. Our benchmark mounts tool-skill libraries with redundancies, where many tools solve the same task but differ in hidden reliability. In our evaluation framework, a branched schedule shifts the reliable tool group at hidden boundaries and pairs every shift with a no-shift control. We find that agents, by default, settle on a small recurring routine within a few turns of each boundary, with call shares concentrating on a few discrete values after each reliability shift. We score the set-shifting accuracy for each agent trajectory: the joint probability of routing to the target tool group in every post-shift window. We test open-weight LLMs in an open-source agentic harness and find qualitatively distinct failure modes across the same set of routines. We also find that set framing, how the toolset presents the alternatives as competing or complementary, shifts the routing dynamics.
• Abstract（参考訳）: 信頼できるツールが進行中のセッションで静かに変化するとき、LLMエージェントのツール選択はどうなるのか? 我々は、認知心理学からのセットシフトを借りて、エージェントが隠れた信頼性の変化にどのように適応するかを研究する。 ベンチマークでは、多くのツールが同じタスクを解決しているが、隠れた信頼性が異なる、冗長なツールスキルライブラリをマウントする。 評価フレームワークでは、分岐スケジュールは、信頼できるツールグループを隠れ境界にシフトし、すべてのシフトを非シフト制御でペア化する。 エージェントはデフォルトで、各バウンダリのいくつかのターンで小さな繰り返しルーチンに落ち着き、各信頼性シフト後にいくつかの離散値に集中している。 我々は,各エージェント軌跡のセットシフト精度を,ポストシフト後のウィンドウ毎に目標ツール群にルーティングする結合確率として評価した。 我々はオープンソースのエージェントハーネスでオープンウェイトLLMをテストし、同じルーチンのセットで定性的に異なる障害モードを見つける。 また、集合フレーミングは、ツールセットが代替手段を競合的あるいは補完的なものとして示す方法であり、ルーティングのダイナミクスをシフトさせる。

関連論文リスト

• Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
  外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。 我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。 オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
  論文  参考訳（メタデータ） (2026-08-23T03:07:03Z)
• AgentPatch: Coarse-to-Fine Weak-Task Repair for Merging Agentic Multimodal Large Language Models [22.004098225093177]
  AgentPatchは、エージェント型大規模言語モデルのためのトレーニング不要の粗大な修復フレームワークである。 安定した結合バックボーンを選択し、Wak-Task Unique Residual Recoveryを通じて希薄化した弱いタスク固有の信号を復元し、Agent-Guided Behavior-Critical Patchを適用する。 AgentPatchは、ルーティングやアンサンブルなしで単一の静的チェックポイントを生成する。
  論文  参考訳（メタデータ） (2026-08-07T01:52:45Z)
• ScrambleToolBench: Agents Search Exhaustively Even When Their Own Map Points to the Next Step [74.83535434786145]
  ScrambleToolBenchは,行動推論の分離を目的とした対話型端末ベンチマークである。 このベンチマークでは、エージェントがテストとエラーのインタラクションを通じて、隠されたツールの振る舞いを明らかにする必要がある。 現状の言語モデルに対する我々の評価は、初期発見が成功しても頑健な適応にはならないことを示している。
  論文  参考訳（メタデータ） (2026-08-03T15:07:46Z)
• Autonomous Topology Mutation: Safe Runtime Restructuring for Multi-Agent LLM Systems with Capability, State, and Shadow Invariants [0.11470070927586014]
  マルチエージェント LLM フレームワークのランタイムチーム変更機構である Autonomous Topology Mutation (ATM) を導入する。 ATMはテレメトリ駆動のオーバーロード検出と、構造変化をゲートする3つの安全不変量を組み合わせたものだ。 720 DeepSeek-V3駆動のタスクは、4つのアブレーション条件と3つのワークロードで決定論的ツールスタブで実行され、ATM Factoriserはコードタスクの成功を3.3%から61.7%に引き上げる。
  論文  参考訳（メタデータ） (2026-06-04T11:38:06Z)
• TeamTR: Trust-Region Fine-Tuning for Multi-Agent LLM Coordination [11.65571332626047]
  TeamTRは信頼領域フレームワークで、各コンポーネントの更新後にトラジェクトリを再サンプリングし、エージェントごとの分散制御を実行する。 TeamTRはシングルエージェントとシーケンシャルベースラインを平均7.1%で上回り、調整のレグレッションを緩和し、プラグアンドプレイのコンポーネント置換をサポートする。
  論文  参考訳（メタデータ） (2026-05-01T23:42:57Z)
• Helpful to a Fault: Measuring Illicit Assistance in Multi-Turn, Multilingual LLM Agents [35.76774274440008]
  STING(Sequential Testing of Illicit N-step Goal execution)は、自動化された再チームのフレームワークである。 良質なペルソナに接地されたステップバイステップの不正計画を構築し、適応的なフォローアップでターゲットエージェントを反復的にプローブする。 本稿では,マルチターン・リピートをタイム・ツー・ファースト・ジェイルブレイク確率変数としてモデル化する分析フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-18T10:31:19Z)
• Unsafer in Many Turns: Benchmarking and Defending Multi-Turn Safety Risks in Tool-Using Agents [68.20752678837377]
  本稿では,単一ターン有害なタスクを多ターン攻撃シーケンスに変換する基本的分類法を提案する。 この分類法を用いて,マルチターンツール使用エージェントの安全性を評価する最初のベンチマークであるMT-AgentRiskを構築した。 トレーニング不要で、ツールに依存しない、自己探索型防御ツールであるToolShieldを提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:38:18Z)
• Tool-to-Agent Retrieval: Bridging Tools and Agents for Scalable LLM Multi-Agent Systems [1.2092584191043323]
  ツールと親エージェントの両方を共有ベクトル空間に埋め込む統合フレームワークであるTool-to-Agent Retrievalを紹介する。 ツールの機能を明示的に表現し,メタデータをエージェントレベルにトラバースすることで,ツールからエージェントレベルの詳細な検索が可能になる。
  論文  参考訳（メタデータ） (2025-11-03T18:58:28Z)
• Multi-Agent Tool-Integrated Policy Optimization [67.12841355267678]
  大規模言語モデル(LLM)は、知識集約的かつ複雑な推論タスクに対して、多ターンツール統合計画にますます依存している。 既存の実装は通常、単一のエージェントに依存するが、コンテキスト長とノイズの多いツールレスポンスに悩まされる。 ツール統合マルチエージェントフレームワークの効果的な強化学習をサポートする方法はない。
  論文  参考訳（メタデータ） (2025-10-06T10:44:04Z)
• T^2Agent A Tool-augmented Multimodal Misinformation Detection Agent with Monte Carlo Tree Search [51.91311158085973]
  多重モーダル誤報は、しばしば混合偽造源から発生し、動的推論と適応的検証を必要とする。 我々はモンテカルロ木探索を用いたツールキットを組み込んだ新しい誤情報検出剤T2Agentを提案する。 大規模な実験により、T2Agentは、混在するマルチモーダル誤報ベンチマークにおいて、既存のベースラインを一貫して上回っていることが示されている。
  論文  参考訳（メタデータ） (2025-05-26T09:50:55Z)
• Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
  ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。 ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-05T15:08:16Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。