論文の概要: CIPHER: A Decoupled Exploration-Selection Framework for Test-Time Scaling of Data Science Agents
- arxiv url: http://arxiv.org/abs/2607.14386v1
- Date: Wed, 15 Jul 2026 22:01:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:32.919652
- Title: CIPHER: A Decoupled Exploration-Selection Framework for Test-Time Scaling of Data Science Agents
- Title（参考訳）: CIPHER: データサイエンスエージェントのテスト時間スケーリングのための分離された探索-選択フレームワーク
- Abstract要約: CIPHERは自動データサイエンスエージェントで、同時実行のための複数の初期状態の生成と選択を通じてテスト時間のスケーリングを活用する。
マッチングモデルの比較において,CIPHERが最先端性能を上回ることを示す。
本研究は,Decoupled Exploration-Selectionフレームワークの設計空間を特徴付けるものである。
- 参考スコア（独自算出の注目度）: 1.4057557845067372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data science tasks span from closed-ended information extraction to open-ended analysis, presenting significant challenges for automation. Recent AI agents powered by language models show promise for handling such complex tasks. However, existing agents typically rely on a single initial state that conditions the entire agent's execution, making them vulnerable to cascading errors initiated by a suboptimal initial state. To mitigate this, we present CIPHER, an automated data science agent that leverages test-time scaling through the generation and selection of multiple initial states for concurrent execution. Unlike existing works on test-time scaling of AI agents, CIPHER explicitly decouples the generation of candidate initial states from their strategic selection for parallel execution. Through extensive evaluation on two benchmarks (closed-form and open-form tasks), we demonstrate that CIPHER exceeds state-of-the-art performance in matched-model comparisons, and remains competitive against larger-model baselines despite relying on a substantially smaller base LM. Our empirical study characterizes the design space of the Decoupled Exploration-Selection (DES) framework: we quantify how generation strategy, selection strategy, and aggregator model capacity contribute to overall performance, and derive actionable design recommendations for practitioners.
- Abstract（参考訳）: データサイエンスのタスクは、クローズドな情報抽出からオープンな分析まで多岐にわたる。
言語モデルを利用した最近のAIエージェントは、このような複雑なタスクを扱うことを約束している。
しかし、既存のエージェントは通常、エージェント全体の実行を条件付ける単一の初期状態に依存しており、最適な初期状態から始まるカスケードエラーに対して脆弱である。
これを緩和するために、複数の初期状態の生成と選択を通じてテスト時間のスケーリングを活用する自動データサイエンスエージェントCIPHERを提案する。
AIエージェントのテスト時間スケーリングに関する既存の作業とは異なり、CIPHERは、並列実行のための戦略的選択から、候補の初期状態の生成を明示的に分離する。
2つのベンチマーク(クローズドフォームとオープンフォームタスク)の広範な評価を通じて、CIPHERはマッチングモデルの比較において最先端性能を超え、かなり小さなベースLMに依存しながらも、より大きなモデルベースラインに対して競争力を維持していることを示す。
我々は,デカップリング探索-選択(DES)フレームワークの設計空間を特徴付け,生成戦略,選択戦略,集約モデルキャパシティが全体的なパフォーマンスにどのように貢献するかを定量化し,実践者に対して実行可能な設計レコメンデーションを導出する。
関連論文リスト
- From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - StarOR: Synergizing Tree Search and Test-Time Reinforcement Learning for Optimization Modeling [13.71352763893512]
本稿では,MCTSとTest-Time Reinforcement Learningを結合した探索適応フレームワークであるStarORを提案する。
StarORはモデリングプロセスを4段階に分解し、各非終端ノードでGRPOを介して一時的なLoRAアダプタを更新する。
5つのベンチマークで実験したところ、StarORは4Bバックボーンでも最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-06-13T08:46:13Z) - ThinkBooster: A Unified Framework for Seamless Test-Time Scaling of LLM Reasoning [110.46431027868954]
ThinkBoosterは、大規模言語モデル(LLM)推論のシームレスなテスト時間計算スケーリングのためのフレームワークである。
最新のTTCスケーリング戦略とスコアファミリを実装するモジュール型のPythonライブラリで構成されている。
デプロイ可能なOpenAI互換プロキシサービスにより、現実のアプリケーションへの適応推論のドロップイン統合が可能になる。
論文 参考訳（メタデータ） (2026-06-05T05:28:46Z) - Collider-Bench: Benchmarking AI Agents with Particle Physics Analysis Reproduction [0.02446672595462589]
我々は,LHC(Large Hadron Collider)から,公開論文とオープンサイエンスソフトウェアのみを用いて,言語モデルエージェントが実験分析を再現できるかどうかを評価するベンチマークであるCollind-Benchを紹介する。
したがってエージェントは、これらのギャップを埋めるために、物理的推論、ドメイン知識、試行錯誤に頼らなければならない。
以上の結果から, 平均的なエージェントが, ループ内解法を確実に打ち負かすことは不可能であることが示唆された。
論文 参考訳（メタデータ） (2026-05-13T18:00:00Z) - Agentic Performance at the Edge: Insights from Benchmarking [13.571477369653143]
モデルのサイズがメモリ、電力、レイテンシの予算によって制限されている場合、エージェントタスクの品質がどれだけ失われるかを調査する。
私たちの中核的な発見は、エッジエージェントの品質はパラメータカウントの単純な機能ではないということです。ロバストなデプロイメントは、モデル選択とツールワークフローの共同設計に依存します。
論文 参考訳（メタデータ） (2026-05-11T11:24:20Z) - Scaling Agentic Verifier for Competitive Coding [66.11758166379092]
大規模言語モデル(LLM)は強力なコーディング能力を示しているが、1回の試行で競合するプログラミング問題を正しく解くのに苦戦している。
実行ベースの再ランク付けは、有望なテスト時間スケーリング戦略を提供するが、既存のメソッドは、難しいテストケースの生成または非効率的なランダム入力サンプリングによって制約される。
本稿では,プログラムの動作を積極的に推論し,高い差別性のあるテスト入力を検索するエージェント検証手法を提案する。
論文 参考訳（メタデータ） (2026-02-04T06:30:40Z) - PRInTS: Reward Modeling for Long-Horizon Information Seeking [74.14496236655911]
PRInTS(PRInTS)は、二重機能で訓練された生成型PRMである。
PRInTSは,オープンソースモデルと特殊エージェントの情報検索能力を向上させる。
論文 参考訳（メタデータ） (2025-11-24T17:09:43Z) - EmbodiedBrain: Expanding Performance Boundaries of Task Planning for Embodied Intelligence [17.644658293987955]
身体的AIエージェントは、物理的環境における堅牢な空間認識、効果的なタスク計画、適応実行を行うことができる。
現在の大規模言語モデル (LLMs) とマルチモーダルLLM (MLLMs) の具体化タスクは、重要な制約に悩まされている。
EmbodiedBrain は 7B と 32B のパラメータサイズで利用できる新しい視覚言語基盤モデルである。
論文 参考訳（メタデータ） (2025-10-23T14:05:55Z) - Thinking Longer, Not Larger: Enhancing Software Engineering Agents via Scaling Test-Time Compute [61.00662702026523]
より大規模なモデルではなく、推論時間の増加を活用する統合されたテスト時間計算スケーリングフレームワークを提案する。
当社のフレームワークには,内部TTCと外部TTCの2つの補完戦略が組み込まれている。
当社の textbf32B モデルは,DeepSeek R1 671B や OpenAI o1 など,はるかに大きなモデルを上回る 46% の課題解決率を実現している。
論文 参考訳（メタデータ） (2025-03-31T07:31:32Z) - Generative Judge for Evaluating Alignment [84.09815387884753]
本稿では,これらの課題に対処するために,13Bパラメータを持つ生成判断器Auto-Jを提案する。
我々のモデルは,大規模な実環境シナリオ下でのユーザクエリとLLM生成応答に基づいて訓練されている。
実験的に、Auto-Jはオープンソースモデルとクローズドソースモデルの両方を含む、強力なライバルのシリーズを上回っている。
論文 参考訳（メタデータ） (2023-10-09T07:27:15Z)
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。