Fugu-MT 論文翻訳(概要): Cross-Domain Hybrid OPD for Generalizable Search Agents

論文の概要: Cross-Domain Hybrid OPD for Generalizable Search Agents

arxiv url: http://arxiv.org/abs/2608.02101v1
Date: Mon, 03 Aug 2026 12:01:18 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-04 15:07:25.520158
Title: Cross-Domain Hybrid OPD for Generalizable Search Agents
Title（参考訳）: 汎用検索エージェントのためのクロスドメインハイブリッドOPD
Abstract要約: 本稿では,汎用知能を犠牲にすることなく,検索専門化を実現するために設計されたYuanbao検索エージェントのトレーニングフレームワークを提案する。補完的な汎用ドメインを専門とする専門家は、検索特化学生に蒸留され、その幅広い能力を回復し、強化する。
参考スコア（独自算出の注目度）: 23.77830787014385
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Recent advances in Reinforcement Learning (RL) have substantially improved the capabilities of autonomous search agents, enabling sophisticated planning, and iterative retrieval over dynamic information sources. However, optimizing language models for specialized search behaviors often incurs an alignment tax, where gains in search performance come at the expense of general-purpose capabilities, limiting their effectiveness as universal assistants. In this technical report, we present the training framework behind the Yuanbao search agent, designed to achieve search specialization without sacrificing general intelligence. Built upon the Hunyuan3 architecture, our framework combines agentic reinforcement learning for autonomous search with a cross-domain expert On-Policy Distillation (OPD) pipeline. Experts specializing in complementary general-purpose domains are distilled into the search-specialized student, restoring and further enhancing its broad capabilities. Rather than treating specialization and general capability as competing objectives, our hybrid training strategy jointly optimizes both, effectively mitigating the alignment tax. Extensive experiments demonstrate that the resulting model achieves competitive search performance while consistently improving its general-purpose capabilities, providing a favorable balance between specialized execution and broad generalization in real-world search scenarios.
Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)の最近の進歩は、自律検索エージェントの能力を大幅に向上させ、高度な計画と動的情報ソースに対する反復的な検索を可能にした。しかし、特殊検索行動のための言語モデルの最適化は、しばしばアライメント税を発生させ、探索性能の上昇は汎用能力の犠牲となり、ユニバーサルアシスタントとしての有効性が制限される。本稿では,汎用知能を犠牲にすることなく,検索の専門化を実現するため,Yuanbao検索エージェントのトレーニングフレームワークを提案する。 Hunyuan3アーキテクチャに基づいて構築された我々のフレームワークは、自律検索のためのエージェント強化学習と、クロスドメインの専門家であるOn-Policy Distillation (OPD)パイプラインを組み合わせる。補完的な汎用ドメインを専門とする専門家は、検索特化学生に蒸留され、その幅広い能力を回復し、さらに強化される。専門化と総合能力を競合する目的として扱うのではなく、我々のハイブリッドトレーニング戦略は両者を共同で最適化し、アライメント税を効果的に軽減する。大規模な実験により, 結果の探索性能は向上し, 汎用能力は向上し, 実世界の探索シナリオにおける特殊実行と広範囲の一般化のバランスが良好であることが示された。

関連論文リスト

Beyond Stochastic Exploration: What Makes Training Data Valuable for Agentic Search [5.481048072631037]
本稿では,検索エージェントの性能向上と訓練を目的とした,階層的体験(HiExp)を提案する。比較分析とマルチレベルクラスタリング機構を通じて経験的知識を抽出し,生の推論軌道を階層的経験知識に変換する。提案手法は性能向上を実現し,強いクロスタスクとクロスアルゴリズムの一般化を示す。
論文参考訳（メタデータ） (2026-04-09T11:44:44Z)
PRAISE: Prefix-Based Rollout Reuse in Agentic Search Training [28.912613644535668]
本稿では,エージェント検索訓練におけるデータ効率向上のためのフレームワークPRAISEを提案する。本手法は,検索ポリシー学習とプレフィックス応答評価の両方に,単一の共有モデルを用いる。マルチホップQAベンチマークの実験では、PRAISEは強いベースラインよりも一貫してパフォーマンスを改善している。
論文参考訳（メタデータ） (2026-04-04T10:23:46Z)
APEX-Searcher: Augmenting LLMs' Search Capabilities through Agentic Planning and Execution [10.643859464982071]
APEX-Searcherは、大規模言語モデル(LLM)検索能力を増強する新しいエージェントプランニングおよび実行フレームワークである。戦略計画の最適化のために、まずRLを分解特異的な報酬として採用する。その後、高品質なマルチホップ軌道の教師付き微調整を適用し、ロバストな反復的なサブタスク実行能力を持つモデルに装備する。
論文参考訳（メタデータ） (2026-03-14T09:17:12Z)
Search More, Think Less: Rethinking Long-Horizon Agentic Search for Efficiency and Generalization [64.61432234404276]
emphSearch More, Think Less (SMTL) は、効率性と一般化の両方をターゲットとした長期エージェント検索のためのフレームワークである。我々は、教師付き微調整と強化学習を用いてエンドツーエンドエージェントを訓練し、ベンチマーク全体にわたって、強固で頻繁なパフォーマンスを実現する。
論文参考訳（メタデータ） (2026-02-26T06:46:41Z)
SmartSearch: Process Reward-Guided Query Refinement for Search Agents [63.46067892354375]
大言語モデル(LLM)に基づく検索エージェントは、知識集約的な問題に対処するために有望であることが証明されている。既存の研究は主に、検索エージェントの推論パラダイムの最適化に重点を置いているが、推論中の中間的な検索クエリの品質は見過ごされ続けている。この問題を緩和する2つの主要なメカニズムの上に構築されたフレームワークであるSmartSearchを紹介します。
論文参考訳（メタデータ） (2026-01-08T12:39:05Z)
WebLeaper: Empowering Efficiency and Efficacy in WebAgent via Enabling Info-Rich Seeking [60.35109192765302]
情報検索は、自律的な推論と意思決定を可能にする中核的な能力である。我々は、高カバレッジなISタスクを構築し、効率的なソリューショントラジェクトリを生成するためのフレームワークであるWebLeaperを提案する。本手法は,強いベースラインに対する有効性と効率性の向上を継続的に達成する。
論文参考訳（メタデータ） (2025-10-28T17:51:42Z)
AI-SearchPlanner: Modular Agentic Search via Pareto-Optimal Multi-Objective Reinforcement Learning [7.913125061214038]
探索計画に着目し,凍結QAモデルの性能向上を目的とした新しい強化学習フレームワークである textbfAI-SearchPlanner を提案する。実世界のデータセットの実験では、AI SearchPlannerが既存のRLベースの検索エージェントを効率と効率の両方で上回っていることが示されている。
論文参考訳（メタデータ） (2025-08-28T02:31:17Z)
From Web Search towards Agentic Deep Research: Incentivizing Search with Reasoning Agents [96.65646344634524]
推論とエージェント能力を備えた大規模言語モデル(LLM)は、エージェントディープリサーチ(Agenic Deep Research)と呼ばれる新しいパラダイムを取り入れている。静的なWeb検索から,計画,探索,学習を行う対話型エージェントベースのシステムへの進化を辿ります。我々はエージェントディープリサーチが既存のアプローチを著しく上回るだけでなく、将来の情報探索において支配的なパラダイムになることを実証する。
論文参考訳（メタデータ） (2025-06-23T17:27:19Z)
OWL: Optimized Workforce Learning for General Multi-Agent Assistance in Real-World Task Automation [65.15955645757705]
専門的な実行から戦略的計画を切り離す階層的なマルチエージェントフレームワークであるWorkforceを紹介します。推論中、Workforceはワーカーエージェントの追加や修正によって新しいドメインにシームレスに適応する。トレーニングには、ドメイン間の一般化を改善する最適化されたワークフォース学習(OWL)を導入する。
論文参考訳（メタデータ） (2025-05-29T17:51:58Z)
SEM: Reinforcement Learning for Search-Efficient Large Language Models [26.075903427834838]
大きな言語モデル(LLM)は、推論だけでなく、外部ツールの呼び出しでもその能力を実証している。既存の強化学習アプローチは、しばしば冗長な探索行動を引き起こす。本研究では,学習後強化学習フレームワークであるSEMを提案する。
論文参考訳（メタデータ） (2025-05-12T09:45:40Z)
Dynamics Generalization via Information Bottleneck in Deep Reinforcement Learning [90.93035276307239]
本稿では,RLエージェントのより優れた一般化を実現するために,情報理論正則化目標とアニーリングに基づく最適化手法を提案する。迷路ナビゲーションからロボットタスクまで、さまざまな領域において、我々のアプローチの極端な一般化の利点を実証する。この研究は、タスク解決のために冗長な情報を徐々に取り除き、RLの一般化を改善するための原則化された方法を提供する。
論文参考訳（メタデータ） (2020-08-03T02:24:20Z)

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。