論文の概要: Behavioral Controllability of Agentic Models for Information Extraction: From Fixed Workflows to Reflective Agents
- arxiv url: http://arxiv.org/abs/2607.15715v1
- Date: Fri, 17 Jul 2026 07:51:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.785535
- Title: Behavioral Controllability of Agentic Models for Information Extraction: From Fixed Workflows to Reflective Agents
- Title（参考訳）: 情報抽出のためのエージェントモデルの行動制御性:固定ワークフローから反射エージェントへ
- Abstract要約: 本研究では,リフレクションやメモリなどのエージェント成分が,固定LDMエージェントよりも観測可能かつ制御可能な改善をもたらすかを検討した。
固定されたワークフローベースラインと反射エージェントの変種を比較し、最適化されたエージェント条件を指定する。
評価では,ツールの実行,再試行,リフレクション,メモリ使用,実行時の障害回復など,プロセスレベルの動作が重視される。
- 参考スコア（独自算出の注目度）: 4.2476244489062704
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) agents are increasingly used for complex information-extraction tasks, yet it remains unclear whether agentic components such as reflection and memory lead to observable and controllable improvements over fixed LLM workflows. We study this question through conference-paper dataset extraction, where a system must identify datasets mentioned in scholarly PDFs and produce structured records. We compare a fixed workflow baseline with reflective agent variants and specify an optimized agent condition (S2) that extends the same task with richer PDF tools and dynamic tool selection. Our evaluation emphasizes process-level behavior--including tool execution, retries, reflection, memory use, runtime, and failure recovery--while treating extraction coverage and field completeness as secondary outcome measures. The paper characterizes when agentic mechanisms change system behavior, whether these changes improve task completion, and how the observed failure modes motivate an optimized agent design under the same evaluation harness.
- Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、複雑な情報抽出タスクにますます使用されるが、リフレクションやメモリなどのエージェントコンポーネントが、固定されたLLMワークフローよりも観測可能で制御可能な改善をもたらすかどうかは不明だ。
本稿では,学術的なPDFで言及されたデータセットを識別し,構造化されたレコードを生成する,会議論文のデータセット抽出を通じて,この問題を考察する。
我々は、固定されたワークフローベースラインと反射エージェントの変種を比較し、よりリッチなPDFツールと動的ツールの選択で同じタスクを拡張する最適化されたエージェント条件(S2)を指定する。
評価では,ツールの実行,再試行,リフレクション,メモリ使用,実行時,障害回復など,プロセスレベルの動作が重視される。
本論文は,エージェント機構がシステム動作を変化させる場合,これらの変更がタスク完了を改善するか否か,そして観測された障害モードが,同じ評価ハーネスの下で最適化されたエージェント設計を動機付けるかを特徴付ける。
関連論文リスト
- Formal Verification of Agentic Systems over Operational Data [59.98246281888422]
大規模言語モデル(LLM)によって駆動されるエージェントシステムは、永続的な運用データを扱う現実世界にますます展開されている。
既存のアプローチはそのようなシステムレベルの保証を提供していません。
本稿では, 1 つの LLM とツールオーケストレーションハーネスからなるエージェントシステムのリレーショナル操作データに対する検証について述べる。
論文 参考訳（メタデータ） (2026-08-04T13:01:30Z) - GRACE-DS: a Guarded Reward-guided Agent Correction Environment in Data Science [39.146761527401424]
GRACE-DSは、LSMを用いたオートMLエージェントの事前デプロイ評価のための、データサイエンスにおけるリワード誘導エージェント補正環境である。
エージェントをリアルなワークフローステージに公開し、計画やデータインスペクションから機能エンジニアリング、モデル開発、バリデーション、コード修正まで、最終提出まで。
これらの結果から、GRACE-DSはLLMベースのAutoMLエージェントが実運用環境下で機械学習を実行する能力を評価するための堅牢なプラットフォームとして確立された。
論文 参考訳（メタデータ） (2026-06-14T19:58:06Z) - From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。
まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。
次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
論文 参考訳（メタデータ） (2026-06-14T05:40:16Z) - From Static Templates to Dynamic Runtime Graphs: A Survey of Workflow Optimization for LLM Agents [39.457720579458]
大規模言語モデル(LLM)ベースのシステムは、タスクの解決に人気が高まっている。
本稿では,そのような計算を設計・最適化するための最近の手法について概観する。
論文 参考訳（メタデータ） (2026-03-23T17:42:59Z) - DLLM Agent: See Farther, Run Faster [94.74432470237817]
拡散大言語モデル(DLLM)は、自己回帰(AR)デコーディングの代替として、魅力的な効率とモデリング特性を持つ。
我々は、DLLMとARのバックボーンを同一のエージェントワークフロー内でインスタンス化することで、制御された環境でこれを研究する。
DLLMエージェントはARエージェントよりも平均30%以上速く、場合によっては8倍のスピードアップを達成している。
論文 参考訳（メタデータ） (2026-02-07T09:01:18Z) - The Bitter Lesson of Diffusion Language Models for Agentic Workflows: A Comprehensive Reality Check [54.08619694620588]
本稿では,2つの異なるエージェントパラダイムであるEmbodied AgentsとTool-Calling AgentsにまたがるdLLMの包括的評価を行う。
Agentboard と BFCL では,現在の dLLM が信頼できるエージェントバックボーンとして機能しないという,"ビットレッスン" が報告されている。
論文 参考訳（メタデータ） (2026-01-19T11:45:39Z) - 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) - SI-Agent: An Agentic Framework for Feedback-Driven Generation and Tuning of Human-Readable System Instructions for Large Language Models [0.0]
システムインストラクション(SI)は、大規模言語モデル(LLM)の指針となる。
既存の自動化手法は、人間が読めない「ソフトプロンプト」を頻繁に生成し、解釈しやすさを犠牲にする。
本稿では,人間の読みやすいSIを自動生成し,反復的に洗練する新しいエージェントフレームワークであるSI-Agentを紹介する。
論文 参考訳（メタデータ） (2025-07-03T23:44:50Z) - How Memory Management Impacts LLM Agents: An Empirical Study of Experience-Following Behavior [65.70584076918679]
メモリは、大きな言語モデル(LLM)ベースのエージェントにおいて重要なコンポーネントである。
本稿では,メモリ管理の選択がLLMエージェントの行動,特に長期的パフォーマンスに与える影響について検討する。
論文 参考訳（メタデータ） (2025-05-21T22:35:01Z)
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。