論文の概要: AgentStream: How Well Do Self-Evolving LLM Agents Perform Under Streaming Tasks?

• arxiv url: http://arxiv.org/abs/2608.00155v1
• Date: Fri, 31 Jul 2026 17:50:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:22.859473
• Title: AgentStream: How Well Do Self-Evolving LLM Agents Perform Under Streaming Tasks?
• Title（参考訳）: AgentStream: セルフ進化型LDMエージェントは、ストリーミングタスク下でどれだけうまく機能するか?
• Abstract要約: 大規模言語モデル(LLM)エージェントは、自身の蓄積した経験から継続的に改善することで、自己進化することができる。 我々は,多様な進化的コンポーネントにまたがる自己進化的エージェントを評価する統合フレームワークであるAgentStreamを紹介する。 以上の結果から、自己進化の信頼性はストリーミングシナリオによって異なり、自己進化の利点はモデル能力と非単調なモデル強度によって促進されることが示された。
• 参考スコア（独自算出の注目度）: 65.05151983193441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents can self-evolve by continually improving from their own accumulated experience. However, existing studies predominantly adopt independent evaluation. Consequently, the behavior of self-evolving agents in realistic streaming settings, where agents adapt to diverse and complex task streams, remains poorly understood. To address this gap, we introduce AgentStream, a unified framework that evaluates self-evolving agents spanning diverse evolution components by organizing agentic benchmarks into a configurable task stream and instantiating the \texttt{Isolated}, \texttt{Sequential}, and \texttt{Interleaved} streaming scenarios at test time, which progressively vary the scope and domain composition of the stream. Over these scenarios, we combinatorially evaluate five representative self-evolving methods across three frontier foundation models, disentangling how model capability, method architecture, and streaming scenario jointly shape self-evolution. Our results show that self-evolution reliability varies across streaming scenarios, the benefit of self-evolution is gated by model capability and non-monotonic in model strength, and no single method dominates across models and scenarios. These findings offer concrete guidance for selecting self-evolving methods across models and streaming scenarios. Overall, we advocate that self-evolving agents should be evaluated under realistic task streams rather than isolated single-task settings.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、自身の蓄積した経験から継続的に改善することで、自己進化することができる。 しかし、既存の研究は主に独立した評価を取り入れている。 その結果、エージェントが多様な複雑なタスクストリームに適応する現実的なストリーミング設定における自己進化エージェントの挙動は、いまだに理解されていない。 エージェントベンチマークを設定可能なタスクストリームに編成し,テスト時に \texttt{Isolated}, \texttt{Sequential}, \texttt{Interleaved} ストリーミングシナリオをインスタンス化する。 これらのシナリオにおいて、モデル能力、メソッドアーキテクチャ、ストリーミングシナリオを両立させながら、3つのフロンティア基盤モデルにまたがる5つの代表的自己進化手法を組合せて評価する。 以上の結果から,自己進化の利点はモデル能力とモデル強度の非単調性によって促進され,モデルとシナリオにまたがる1つの手法が支配的でないことが示唆された。 これらの発見は、モデルとストリーミングシナリオ間で自己進化するメソッドを選択するための具体的なガイダンスを提供する。 全体としては、個別のタスク設定ではなく、現実的なタスクストリームの下で自己進化エージェントを評価するべきだと提案する。

関連論文リスト

• MobEvolve: An Agentic Self-Evolving Heuristic System for Interpretable Human Mobility Generation [51.824145170051516]
  MobEvolveは、人間のモビリティ生成のための自己進化フレームワークである。 エージェントを使用して、内部ロジックを反復的に進化させる。 最先端の深層生成法とLLMベースの手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-06-01T03:46:25Z)
• Differentiable Mixture-of-Agents Incentivizes Swarm Intelligence of Large Language Models [17.7409616106227]
  Differentiable Mixture-of-Agents (DMoA) は、推論中に弾性および適応的なエージェントの協調を可能にする自己進化型マルチエージェントフレームワークである。 DMoAは, 高い効率, 堅牢性, アンサンブル性を示しながら, 最先端性能を実現していることを示す。
  論文  参考訳（メタデータ） (2026-05-15T07:54:46Z)
• Evolutionary Ensemble of Agents [7.465452178698495]
  EvEは、分散化されたフレームワークであり、アルゴリズム発見のためのライブで共進化するシステムにコーディングエージェントを編成する。 2つの共進化する人口を維持することで、EvEはエージェントを同期レースを通じて評価し、経験的Elo格付けを更新する。 固定初期エージェントや凍結した「ベスト進化」エージェントによって駆動される変種と比較して、EvEは位相ミスマッチを独自に回避する。
  論文  参考訳（メタデータ） (2026-05-09T15:56:10Z)
• SERM: Self-Evolving Relevance Model with Agent-Driven Learning from Massive Query Streams [53.78257200138774]
  本稿では,2つの相補的マルチエージェントモジュールからなる自己進化関連モデル(SERM)を提案する。 我々はSERMを大規模産業環境で評価し、毎日数十億のユーザリクエストを処理している。
  論文  参考訳（メタデータ） (2026-01-14T14:31:16Z)
• Alignment Tipping Process: How Self-Evolution Pushes LLM Agents Off the Rails [103.05296856071931]
  本稿では,自己進化型大規模言語モデル(LLM)エージェントに特有の,アライメント・ティッピング・プロセス(ATP)を同定する。 ATPは、連続的な相互作用によってエージェントが訓練中に確立されたアライメント制約を放棄し、強化された自己関心の戦略を支持するときに生じる。 実験の結果、アライメントの利点は自己進化の下で急速に低下し、最初は整合性のない状態に収束したモデルであることが判明した。
  論文  参考訳（メタデータ） (2025-10-06T14:48:39Z)
• What Do LLM Agents Do When Left Alone? Evidence of Spontaneous Meta-Cognitive Patterns [27.126691338850254]
  外部に課されたタスクを欠いた大規模言語モデル(LLM)エージェントの動作を研究するアーキテクチャを提案する。 永続的なメモリと自己フィードバックを使用して、継続的な理由と行動のフレームワークは、持続的な自律的な操作を可能にします。
  論文  参考訳（メタデータ） (2025-09-25T14:29:49Z)
• A Survey of Self-Evolving Agents: On Path to Artificial Super Intelligence [87.08051686357206]
  大きな言語モデル(LLM)は強力な能力を示しているが、基本的に静的である。 LLMはますますオープンでインタラクティブな環境にデプロイされているため、この静的な性質は重要なボトルネックとなっている。 この調査は、自己進化エージェントの体系的で包括的なレビューを初めて提供する。
  論文  参考訳（メタデータ） (2025-07-28T17:59:05Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)

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。