論文の概要: CodeGrep: An RL-Trained Retrieval Agent for LLM Coding Agents

• arxiv url: http://arxiv.org/abs/2608.05886v1
• Date: Thu, 06 Aug 2026 11:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.891458
• Title: CodeGrep: An RL-Trained Retrieval Agent for LLM Coding Agents
• Title（参考訳）: CodeGrep: LLM符号化エージェントのためのRL-Trained Retrieval Agent
• Abstract要約: 我々は,14B検索エージェントであるCodeGrepをGRPOとエンドツーエンドでトレーニングし,並列,グロブ,読み取りツールコールを発行し,候補ファイルを凍結下流の符号化エージェントに返却する。 すべてのSWE-Bench検証インスタンスでは、CodeGrepはリゾルバレートを保ち、効率を大幅に改善している: 検索不能のベースラインでは27.0%対25.8%で、ラウンドは15%減、トークンは19%減った。
• 参考スコア（独自算出の注目度）: 8.150687615894268
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern LLM coding agents such as Claude Code and OpenHands share a common inefficiency: they spend much of their token budget finding the file to patch, rather than patching it. On SWE-Bench Verified, a 30B OpenHands agent averages 23 rounds and 631K tokens per resolved issue, with many calls spent on grep, glob, and view_file during repository exploration. We introduce CodeGrep, a 14B retrieval agent trained end-to-end with GRPO to issue multi-turn parallel grep, glob, and read tool calls and return candidate files to a frozen downstream coding agent. On all 500 SWE-Bench Verified instances, CodeGrep preserves resolve rate while substantially improving efficiency: 27.0% versus 25.8% for the no-retrieval baseline, with 15% fewer rounds and 19% fewer tokens on resolved instances. Across retrievers, downstream utility follows a precision threshold: BM25 with precision 0.375 degrades the agent, Jina with precision 0.445 is neutral, and CodeGrep with precision 0.677 crosses the threshold at which retrieval begins to reduce rollout cost. To enable this study, we mine supervision from 67K open-source agent trajectories using CATM and build a Git-worktree environment for multi-turn agent RL. In our setting, applying the efficiency signal at the advantage layer rather than the reward layer reduces KL drift and translates cleanly into downstream efficiency. We will release the model, training pipeline, RL environment, and evaluation harnesses.
• Abstract（参考訳）: 現代のLLMコーディングエージェントであるClaude CodeやOpenHandsは共通の非効率性を共有している。 SWE-Bench Verifiedでは、30B OpenHandsエージェントが解決された問題毎に23ラウンドと631Kトークンを平均化しており、多くのコールがリポジトリ探索中にgreep、glob、 view_fileに費やされている。 CodeGrepは、GRPOとエンドツーエンドで訓練された14B検索エージェントで、マルチターン並列グリープ、グロブ、読み取りツールコールを発行し、候補ファイルをフリーズダウンストリーム符号化エージェントに返却する。 すべてのSWE-Bench検証インスタンスでは、CodeGrepはリゾルバレートを保ち、効率を大幅に改善している: 検索不能のベースラインでは27.0%対25.8%で、ラウンドは15%減、トークンは19%減った。 精度0.375のBM25はエージェントを分解し、精度0.445のJinaは中立であり、精度0.677のCodeGrepは、検索がロールアウトコストを削減し始めるしきい値を超えた。 本研究では,CATMを用いた67Kオープンソースエージェントトラジェクトリの監視を行い,マルチターンエージェントRLのためのGitワークツリー環境を構築する。 この設定では、報酬層よりも有利層に効率信号を適用することで、KLドリフトを低減し、清浄に下流効率に変換する。 モデル、トレーニングパイプライン、RL環境、評価ハーネスをリリースします。

関連論文リスト

• RobustSGPO: Search-Space Control for Agent Harness Evolution [56.722805974785125]
  我々は、要求された編集、構成、パッチのチェックを指定し、既存のスナップショットまたは保持スナップショットからの検索を継続するRobustSGPOを紹介した。 我々は,120タスク,95ラン,7350の候補を用いて,AgentXブレインストーミングワークフローにおけるパーミッションスケジューリング,累積制御,タスクファミリー転送を評価した。
  論文  参考訳（メタデータ） (2026-09-09T03:00:03Z)
• Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
  クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。 反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
  論文  参考訳（メタデータ） (2026-09-02T08:10:22Z)
• LEGO-RL: Harness-Native Reinforcement Learning for Coding Agents [56.902747731541695]
  LEGO-RLは、ネイティブコーディングエージェントハーネスをスケーラブルなポリシ-グラディエント最適化でブリッジするフレームワークです。 我々は、3つのネイティブコーディングエージェントハーネスにまたがるGSPOを用いて、疎いMoEモデルQwen3.5-35B-A3BをトレーニングすることでLEGO-RLを評価する。
  論文  参考訳（メタデータ） (2026-08-18T05:34:35Z)
• RHO: Your Coding Agent is Secretly a Roboticist [24.9798218503493]
  コード・アズ・ポリシーズ(CaP)は、大きな言語モデル(LLM)が知覚、計画、制御プリミティブを構成することでロボットのタスクを解くコードを書くことができることを示した。 最近のCaPシステムは、テスト時に多ターンコード生成ループに依存しており、リアルタイムロボット制御では不可能であることが多い。 ロボットハーネス最適化(ロボティクス・ハーネス・オプティマイゼーション、英: Robotics Harness Optimization、RHO)は、ツール対応のコーディングエージェントがトレーニング時に、解釈可能な、ニューロシンボリックなマルチファイルポリシーリポジトリの提案と検索を行う新しいパラダイムである。
  論文  参考訳（メタデータ） (2026-06-15T09:30:12Z)
• Auditing Reward Hackability in Code RL Training Environments [0.0]
  コードRL環境が誤った解を正しく受け入れる速度を計測する。 SWE-bench Verifiedの49タクのサンプルでは、28.5%のタスクがテストスイートが弱く、Dockerで検証された不正確なパッチがそれらをパスしている。
  論文  参考訳（メタデータ） (2026-06-14T23:31:42Z)
• Orchard: An Open-Source Agentic Modeling Framework [124.68499958175111]
  スケーラブルなエージェントモデリングのためのオープンソースのフレームワークOrchardを紹介します。 Orchard Envは、サンドボックスライフサイクル管理のための再利用可能なプリミティブを提供する軽量環境サービスである。 Orchard Envの上に、3つのエージェントモデリングレシピを構築します。
  論文  参考訳（メタデータ） (2026-05-14T16:35:12Z)
• Correctness-Aware Repository Filtering Under Maximum Effective Context Window Constraints [0.0]
  コンテキストウィンドウ効率は、大規模言語モデル(LLM)ベースの開発ツールの実践的な制約である。 トークン化前のレポジトリスキャンをインターセプトする,正当性を考慮したコンテキスト衛生フレームワークを提案する。 対照的に、我々のフレームワークはインデクシングを必要とせず、ファイル決定あたり0.01msで動作する。
  論文  参考訳（メタデータ） (2026-05-14T04:37:39Z)
• Delta-Based Neural Architecture Search: LLM Fine-Tuning via Code Diffs [48.83701310501069]
  大規模言語モデル(LLM)は、ニューラルアーキテクチャ生成の強力な可能性を示している。 既存のアプローチは、ゼロから完全なモデル実装を生成します。 我々はデルタ符号生成法を提案し、細調整されたLLMはコンパクトな統一差分を生成する。
  論文  参考訳（メタデータ） (2026-05-06T13:32:05Z)
• Resource-Efficient Iterative LLM-Based NAS with Feedback Memory [49.44875022114861]
  ニューラルアーキテクチャサーチ(NAS)はネットワーク設計を自動化するが、従来の手法ではかなりの計算資源を必要とする。 本稿では,大規模言語モデル(LLM)を活用して,畳み込みニューラルネットワークアーキテクチャを反復的に生成し,評価し,洗練するクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T16:00:22Z)
• CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
  コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。 既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。 機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
  論文  参考訳（メタデータ） (2026-01-30T10:33:29Z)
• ARCS: Agentic Retrieval-Augmented Code Synthesis with Iterative Refinement [1.980982378865332]
  ARCSは凍結モデル上で、予算化された合成実行再生ループを介して動作する。 生成前に関連するコードコンテキストを検索し、候補を提案し、テストに対して実行し、実行フィードバックに基づいて修正する。 LANLの科学コーパスでは、ベースラインRAGよりも+0.115改良されている。
  論文  参考訳（メタデータ） (2025-04-29T05:15:52Z)
• Injecting Domain Adaptation with Learning-to-hash for Effective and Efficient Zero-shot Dense Retrieval [49.98615945702959]
  我々は,TAS-B高密度検索器の下流ゼロショット検索精度を向上させるためのLTHおよびベクトル圧縮技術を評価する。 以上の結果から, 従来の研究とは異なり, LTH法はゼロショットTAS-B高密度レトリバーを平均14%のnDCG@10で過小評価できることがわかった。
  論文  参考訳（メタデータ） (2022-05-23T17:53:44Z)

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。