論文の概要: Tokengeist: Multi-Turn Attribution Tracing in Agentic Conversations

• arxiv url: http://arxiv.org/abs/2607.22610v1
• Date: Sun, 14 Jun 2026 17:14:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.983498
• Title: Tokengeist: Multi-Turn Attribution Tracing in Agentic Conversations
• Title（参考訳）: Tokengeist:エージェント会話におけるマルチトゥルン属性の追跡
• Abstract要約: 既存のコンテキスト属性メソッドは、単一のパスで完全なコンテキストを処理する。 マルチターン・コンテクスト属性を導入し、ターンをまたいで逆向きにトレースする。 MTCABenchは665のマルチターン会話にまたがる3,845のターゲット範囲のベンチマークです。
• 参考スコア（独自算出の注目度）: 2.1269348861690944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When a language model produces a response in a multi-turn conversation, which tokens from prior turns shaped that answer, and how did those dependencies propagate across prior turns? Existing context attribution methods process the full context in a single pass, recovering surface-level dependencies but missing the layered, non-linear structure of real-world dialogues and multi-step reasoning tasks. We introduce multi-turn context attribution (MTCA): given a target span in a model response, the task of tracing attribution backward across turns to identify not only which prior turns were directly relevant, but also how those turns themselves depended on earlier context. We propose Tokengeist, an attribution-method-agnostic and scalable framework that recovers full dependency paths by casting attribution as a recursive traversal of a directed acyclic graph (DAG) over conversation turns. We will release MTCABench, a benchmark of 3,845 target spans across 665 multi-turn conversations, annotated with gold provenance graphs reaching depths of up to 14, across four dependency types. Across four open-weight models, flat attribution methods fail to recover multi-hop dependencies, achieving under 20% source recall, while Tokengeist reaches 90%. Our results reveal systematic failure modes of single-pass attribution -- which we term provenance collapse -- and motivate attribution methods that reason recursively across turns.
• Abstract（参考訳）: 言語モデルがマルチターン会話で応答を生成すると、その応答は前回からのトークンで形作られ、これらの依存関係は、どのように前回をまたいで伝播したのでしょうか? 既存のコンテキスト属性法は、1つのパスで完全なコンテキストを処理し、表面レベルの依存関係を回復するが、現実世界の対話と多段階推論タスクの階層化された非線形構造を欠いている。 マルチターンコンテキスト属性(MTCA: Multi-turn context attribution)を導入し、モデル応答における対象のスパンが与えられた場合、先行するターンが直接関連しているだけでなく、それ自身が以前のコンテキストに依存しているかを特定するために、逆向きにアトリビューションをトレースするタスクを導入する。 Tokengeistは,会話のターン上での有向非巡回グラフ(DAG)の帰納的トラバースとして属性をキャストすることで,完全な依存経路を復元する,属性に依存しないスケーラブルなフレームワークである。 MTCABenchは,665件のマルチターン会話を対象とする,3,845件のターゲットを対象とするベンチマークである。 4つのオープンウェイトモデル全体で、フラットな属性メソッドはマルチホップ依存関係の回復に失敗し、20%のソースリコールを達成する一方、Tokengeistは90%に達する。 結果から,単一パス帰属の系統的障害モードが明らかとなり,帰納的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属的帰属帰属的帰属的帰属的帰属的帰属帰属的帰属的帰属的

関連論文リスト

• Chained Recursive Language Models for Multi-Iteration Reasoning [46.765013720309064]
  Chained Recursive Language Models (Chained RLM)は、推論時のアーキテクチャである。 各ルートは元の問題とコンテキストを受信するが、完全な会話履歴を継承しない。 各段階の計算では、中間アーティファクトを検査し、修正し、同じモデルで後の新しい推論によって拡張することができる。
  論文  参考訳（メタデータ） (2026-08-05T17:50:08Z)
• ECHO: Prune to act, trace to learn with selective turn memory in agentic RL [9.429418772354397]
  ECHOは、ソースインデックスによる再構築を通じて、履歴の崩壊とトレース可能な学習に対処する、選択的なターンメモリフレームワークである。 BrowseComp-Plusでは、ECHOの保持精度は43.4%に達し、GRPO(28.9%)とローリングサマーベースラインSUPO(36.1%)を上回っている。
  論文  参考訳（メタデータ） (2026-06-30T13:29:58Z)
• TokenMizer: Graph-Structured Session Memory for Long-Horizon LLM Context Management [0.0]
  本稿では,大規模言語モデルのセッションを型付き知識グラフとしてモデル化するオープンソースのプロキシシステムであるTokenMizerを紹介する。 平均78トークン(範囲:42-124) - 評価ベースラインよりも2倍小さい再開ブロックを生成する。 全セッションで、TokenMizerはタスクリコールを51.0%、決定リコールを46.6%、ファイルリコールを58.7%としている。
  論文  参考訳（メタデータ） (2026-06-04T16:12:28Z)
• Generative Recursive Reasoning [67.22973831501257]
  Generative Recursive ReAsoning Models (GRAM) は、潜在的推論を確率論的多軌道に変換するフレームワークである。 GRAMは$p_(y mid x)$で条件推論をサポートし、固定または欠落した入力では$p_(x)$で条件生成を行う。
  論文  参考訳（メタデータ） (2026-05-19T05:20:56Z)
• Improving Multi-turn Dialogue Consistency with Self-Recall Thinking [13.308970592702602]
  大規模言語モデル(LLM)ベースのマルチターン対話システムは、非隣接のターン間の依存関係を追跡するのに苦労することが多い。 本稿では,長期的コンテキスト依存と疎結合な情報信号に対処するフレームワークであるセルフリコール思考(SRT)を提案する。 複数のデータセットの実験では、SRTはF1スコアを4.7%改善し、エンドツーエンドのレイテンシを14.7%削減している。
  論文  参考訳（メタデータ） (2026-05-14T17:20:14Z)
• Semantic Bridge: Universal Multi-Hop Question Generation via AMR-Driven Graph Synthesis [3.1427813443719868]
  大きな言語モデル(LLM)のトレーニングは、高品質で推論集約的な質問応答ペアの不足という、重大なボトルネックに直面します。 textbfSemantic Bridgeは、任意の情報源から洗練されたマルチホップ推論質問を制御可能とする最初の普遍的フレームワークである。
  論文  参考訳（メタデータ） (2025-08-06T10:59:42Z)
• Phrase Retrieval for Open-Domain Conversational Question Answering with Conversational Dependency Modeling via Contrastive Learning [54.55643652781891]
  Open-Domain Conversational Question Answering (ODConvQA)は、マルチターン会話を通じて質問に答えることを目的としている。 そこで本研究では,単語列に対する句検索方式を用いて,回答を直接予測する手法を提案する。
  論文  参考訳（メタデータ） (2023-06-07T09:46:38Z)
• Tree of Thoughts: Deliberate Problem Solving with Large Language Models [52.31950122881687]
  言語モデル推論のための新しいフレームワーク、Tree of Thoughts (ToT)を紹介します。 ToTは、言語モデルを促進するために人気のChain of Thoughtアプローチを一般化する。 実験の結果,ToTは言語モデルの問題解決能力を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2023-05-17T23:16:17Z)
• Interleaving Retrieval with Chain-of-Thought Reasoning for Knowledge-Intensive Multi-Step Questions [50.114651561111245]
  マルチステップ質問応答のための新しいアプローチであるIRCoTを提案する。 CoTのステップで検索をインターリーブし、CoTで検索を誘導し、検索結果を用いてCoTを改善する。
  論文  参考訳（メタデータ） (2022-12-20T18:26:34Z)
• Retrieval-Augmented Generative Question Answering for Event Argument Extraction [66.24622127143044]
  イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。 最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。 提案手法は, 様々な設定において, かなり先行した手法より優れている。
  論文  参考訳（メタデータ） (2022-11-14T02:00:32Z)
• Query Resolution for Conversational Search with Limited Supervision [63.131221660019776]
  本稿では,双方向トランスフォーマに基づくニューラルクエリ解決モデルQuReTeCを提案する。 我々はQuReTeCが最先端モデルより優れており、また、QuReTeCのトレーニングに必要な人為的なデータ量を大幅に削減するために、我々の遠隔監視手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-05-24T11:37:22Z)

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。