Fugu-MT 論文翻訳(概要): Computing with Agentic Oracles

論文の概要: Computing with Agentic Oracles

arxiv url: http://arxiv.org/abs/2608.01464v1
Date: Sun, 02 Aug 2026 19:50:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.249373
Title: Computing with Agentic Oracles
Title（参考訳）: エージェントOracleによるコンピューティング
Abstract要約: 我々はAI強化コンピューティングのオーラクルモデルを拡張し、エージェントのオーラクルを含める。呼び出し間の固定応答分布に応じて同じクエリに応答する定常オラクルとは異なり、エージェントオラクルは、自律的に目標を追求することができ、タスク関連リソースを含む環境にアクセスすることができる。
参考スコア（独自算出の注目度）: 2.345146665577353
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper extends the stochastic-oracle model of AI-augmented computing to include agentic oracles. Unlike a stationary stochastic oracle, which responds to the same query according to a fixed response distribution across calls, an agentic oracle can pursue a goal autonomously and may access an environment containing task-relevant resources. These capabilities affect both response distributions and token costs beyond what is visible at the query-response interface. We develop a framework for analyzing token costs in Stochastic-Oracle Turing Machines (SOTMs) that compute with agentic oracles. Each call has an \emph{orchestration token cost}, visible to the caller at the query-response interface, and an \emph{agentic token cost}, incurred by internal operations not exposed to the caller. We show that an SOTM computing with an agentic oracle that can retain intermediate state can have token-cost advantages over SOTMs using stationary stochastic oracles when solving the same task at the same quality level, both with and without environment access. We also investigate goal-loss risk, including how internal dispatch ordering can reduce exposure to irreversible actions. We provide a goal-loss avoidance criterion, derive progress--retry--goal-loss formulas, establish goal-depth lower bounds on token complexity, characterize token complexity when the probability of goal loss is zero, and show that goal-loss risk can impose an upper bound on the achievable quality of a task involving environment updates.
Abstract（参考訳）: 本稿では,AI強化コンピューティングの確率オーラクルモデルを拡張し,エージェントオーラクルを含める。呼び出し間の固定応答分布に応じて同じクエリに応答する定常確率オラクルとは異なり、エージェントオラクルは、自律的に目標を追求することができ、タスク関連リソースを含む環境にアクセスすることができる。これらの機能は、応答分散とトークンコストの両方に影響します。我々は,エージェント・オラクル・チューリング・マシン(SOTM)のトークンコストをエージェント・オーラクルで計算するフレームワークを開発した。各呼び出しには、クエリ応答インターフェースで呼び出し元に表示される \emph{orchestration token cost} と、呼び出し元に公開されていない内部操作によって引き起こされる \emph{agentic token cost} がある。中間状態を保持可能なエージェントオラクルを用いたSOTM計算は、環境アクセスと無環境の両方で同じタスクを同じ品質レベルで解く際に、定常確率託を用いてSOTMよりもトークンコストの優位性を持つことを示す。また、内部ディスパッチの順序付けによって、不可逆な行動への露出を抑えることを含む、目標余剰リスクについても検討する。目標損失の確率がゼロである場合にトークンの複雑さを特徴付けるとともに、目標損失リスクが環境更新を含むタスクの達成可能な品質に上限を課すことを示す。

関連論文リスト

From Sequence to Structure: Relational Uncertainty Propagation for LLM Agents [75.69180947909148]
大規模言語モデル(LLM)エージェントのためのトラジェクトリレベルのUQフレームワークを提案する。 RuPAは、推論状態、ツールインタラクション、環境フィードバックが時間的およびセマンティックな依存関係エッジで接続されたノードである、指向的なトラジェクトリグラフとして実行履歴を表現している。我々は,複数のモデルファミリにまたがる6つのオープンソースLCMを用いて,代用エージェントベンチマーク($2, Terminal-Bench-2, GAIA)でRUPAを評価した。
論文参考訳（メタデータ） (2026-08-17T01:40:14Z)
ACE: Pluggable Adaptive Context Elasticizer across Agents [65.45147906718154]
Adaptive Context Elasticizer (ACE)は、各決定ステップでエージェントのコンテキストに履歴ステップ情報をオーケストレーションする。 ACEは、トランケーションと要約ベースラインを一貫して上回る。
論文参考訳（メタデータ） (2026-06-30T12:20:45Z)
Token Complexity of Certifying Stochastic-Oracle Reliability [2.345146665577353]
本稿では,ある領域におけるオラクルの信頼性を証明するための類似概念を考案する。認証トークンは最小限のトークンコストであり、制御されたエラー確率を持つ。本研究では,SPRTに基づく認証SOTMを構築し,オラクルを問合せし,バイナリの正当性スコアを計算し,ログに類似した証拠が決定しきい値を超えた場合に停止する。
論文参考訳（メタデータ） (2026-06-23T02:38:14Z)
Token Complexity Theory for AI-Augmented Computing [2.345146665577353]
AI強化コンピューティングは、自然言語クエリ、コード生成要求、その他のオープンなタスクを、クエリを処理し応答を生成するAIモデルのクラスタに委譲する。このパラダイムは、古典的な時間や空間の複雑さが捉えないリソースの次元を導入します。我々は,タスクにおける特定の出力品質を達成するために,期待される最小トークンコストとして定義される公式なリソース尺度であるトークン複雑性を導入する。
論文参考訳（メタデータ） (2026-06-10T20:16:58Z)
ANDES: Agent Native Data Evolving Synthesis Tool for Autonomous Instruction Alignment [9.28566352356072]
Andesは、データ生成をプラグアンドプレイのEmphエージェントスキルとして再定義するフレームワークである。 We demonstrate that Andes improves automated alignment, secure-of-the-art performance on PostTrainBench。
論文参考訳（メタデータ） (2026-05-31T15:03:50Z)
Towards Human-Like Interactive Speech Recognition With Agentic Correction and Semantic Evaluation [53.844308305341166]
単一パスのASRフロントエンドと意味的訂正,意図のルーティング,推論に基づく編集を組み合わせた閉ループフレームワークである textbfAgentic ASR を提案する。複数言語、名前付き集中型、コードスイッチングベンチマークの実験は、反復的相互作用が意味的誤りを一貫して減少させることを示している。
論文参考訳（メタデータ） (2026-05-28T06:23:31Z)
ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
$textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
論文参考訳（メタデータ） (2026-05-11T16:20:51Z)
High-Fidelity Network Management for Federated AI-as-a-Service: Cross-Domain Orchestration [0.12234742322758417]
本稿では,Tail-Risk Envelopes(TRE)に基づく保証指向AI管理プレーンを提案する。 TREは、決定論的ガードレールとレート・レイテンシ・インペアメントモデルを組み合わせた、ドメインごとの構成可能な記述子に署名される。テナントレベルの予約は,TRE契約下でのテール遅延の増大を防止する。
論文参考訳（メタデータ） (2026-02-17T00:40:04Z)
Steering LLMs via Scalable Interactive Oversight [74.12746881843044]
大規模な言語モデルは、エンフェーブコーディングのような複雑で長期にわたるタスクをますます自動化し、監督のギャップが生まれています。スケーラブルな監視において重要な課題は、人間が責任を持ってAIシステムを、特定または検証する能力を超えたタスクで操ることができることだ。
論文参考訳（メタデータ） (2026-02-04T04:52:00Z)
Learning to Wait: Synchronizing Agents with the Physical World [16.592968251465475]
現実世界のエージェントタスクは、しばしば可変レイテンシを持つノンブロッキングアクションを伴い、アクション開始と完了の間に基本的なテキストTemporal Gapを生成する。ラッパーのブロックや頻繁なポーリングといった既存の環境側のソリューションは、スケーラビリティを制限するか、冗長な観察でエージェントのコンテキストウィンドウを希薄にする。我々は,大規模言語モデルに対して,テキスト認識タイムラインと物理世界との協調を積極的に行うためのtextbfAgent-sideアプローチを提案する。
論文参考訳（メタデータ） (2025-12-18T07:24:44Z)
Scaling Autonomous Agents via Automatic Reward Modeling And Planning [52.39395405893965]
大規模言語モデル(LLM)は、様々なタスクにまたがる顕著な機能を示している。しかし、彼らは多段階の意思決定と環境フィードバックを必要とする問題に苦戦している。人間のアノテーションを使わずに環境から報酬モデルを自動的に学習できるフレームワークを提案する。
論文参考訳（メタデータ） (2025-02-17T18:49:25Z)

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。