論文の概要: Toward Reliable Context Compression for Long-Horizon Agents: An Empirical Study of Execution Instability

• arxiv url: http://arxiv.org/abs/2608.06503v1
• Date: Thu, 06 Aug 2026 18:42:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.264384
• Title: Toward Reliable Context Compression for Long-Horizon Agents: An Empirical Study of Execution Instability
• Title（参考訳）: 長距離エージェントの信頼性向上に向けて : 実行不安定性の実証的研究
• Abstract要約: 圧縮は近年の相互作用の影響を弱め,ブロックされた動作を増大させ,探索を繰り返し,実行中の不安定性を示す。 TRACEは,同一環境状態からの閉ループ継続による個別の圧縮イベントを評価する検証器誘導フレームワークである。 AppWorldの最初の結果は、タスクパフォーマンス、マルチラン信頼性、コンテキスト実行効率において、既存の圧縮ベースラインよりも改善されていることを示している。
• 参考スコア（独自算出の注目度）: 7.183748353637384
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recurrent context compression controls context growth in long-horizon agents, but its behavioral effects remain poorly understood. In this preliminary empirical study, we show that compression can weaken the influence of recent interactions, increasing blocked actions, repeated exploration, and instability across runs. Motivated by these observations, we introduce TRACE, a verifier-guided framework that evaluates individual compaction events through paired closed-loop continuations from the same environment state and uses summary preferences to optimize a natural-language compression prompt while keeping all models frozen. Initial results on AppWorld show improvements over existing compression baselines in task performance, multi-run reliability, and context--execution efficiency. These findings provide early evidence for boundary-local evaluation as a promising direction for reliable agent context compression.
• Abstract（参考訳）: リカレント・コンテクスト・コンテクスト・圧縮はロングホライゾン・エージェントの文脈成長を制御するが、その行動効果はよく分かっていない。 この予備実験では, 圧縮が近年の相互作用の影響を弱め, ブロック動作の増大, 繰り返し探索, 走行中の不安定性を低下させることを示した。 これらの観測から得られたTRACEは,同一環境状態からの閉ループ継続による個別の圧縮イベントの評価を行う検証器誘導フレームワークであり,要約選好を用いて,全てのモデルを凍結させながら自然言語圧縮プロンプトを最適化する。 AppWorldの最初の結果は、タスクパフォーマンス、マルチラン信頼性、コンテキスト実行効率において、既存の圧縮ベースラインよりも改善されていることを示している。 これらの知見は, 信頼性のあるエージェントコンテキスト圧縮のための有望な方向として, 境界局所評価の早期証拠を提供する。

関連論文リスト

• CoACT: Action-Preserving Observation Compression for Coding Agents [8.484842324052751]
  本稿では,符号化エージェントの動作保存型観測圧縮手法であるCoACTを提案する。 CoACTは、生の観測と同じ次のアクションを誘導するために圧縮された観察を必要とする、次のアクション保存(NAP)上に構築されている。 3つのエージェントモデルで検証されたSWEベンチ実験の結果,CoACTは平均トークン消費量を33.0%削減することがわかった。
  論文  参考訳（メタデータ） (2026-07-03T03:17:52Z)
• Learning to Watch: Active Video Anomaly Understanding via Interleaved Policy Optimization [56.150184676745205]
  ビデオ異常理解(VAU)は、スパースでコンテキストに依存した手がかりに依存している。 本稿では,映像理解をアクティブな逐次意思決定プロセスとして再認識するクローズドループフレームワークである$Anomtext-$を提案する。 人間のビデオレビュー行動に触発されたこのフレームワークは、内部の認知的推論と戦略的エビデンスを、インターリーブされたポリシーに統一する。
  論文  参考訳（メタデータ） (2026-07-01T08:41:49Z)
• Perception Without Engagement: Dissecting the Causal Discovery Deficit in LMMs [68.58207076756237]
  本稿では,結果評価からメカニズム診断へ移行する摂動に基づく評価プロトコルProCauEvalを紹介する。 因果推論において,ビデオコンテンツは体系的に過小評価されている。 教師のネガティブなアライメントに基づく強化学習フレームワークであるADPOを提案する。
  論文  参考訳（メタデータ） (2026-05-10T08:48:58Z)
• Efficient Agent Evaluation via Diversity-Guided User Simulation [7.723545220477047]
  DIVERTは、エージェント-ユーザインタラクションを体系的に探索するための、スナップショットベースの、カバレッジガイド付きユーザーシミュレーションフレームワークである。 重要な決定ポイントでエージェント環境の全状態をキャプチャし、これらのスナップショットから実行を再開する。 DIVERTは、意味的に多様性があり、探索されていない軌道に焦点を合わせることにより、効率とカバレッジの両方を改善している。
  論文  参考訳（メタデータ） (2026-04-23T09:41:21Z)
• PoC: Performance-oriented Context Compression for Large Language Models via Performance Prediction [40.705016911274]
  パフォーマンス指向コンテキスト圧縮(PoC)へのパラダイムシフトを導入する。 PoCは、最も攻撃的な圧縮比を自動的に見つけるために、軽量なパフォーマンス予測器を使用している。 我々の研究は、より信頼性が高く、効率的で、パフォーマンスに配慮した大規模言語モデルのためのコンテキスト圧縮の展開の道を開いた。
  論文  参考訳（メタデータ） (2026-03-20T08:18:46Z)
• On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation [51.56484100374058]
  このような情報条件の相互作用パターンを振る舞い依存として定式化する。 これにより、$$-behavioural equivalenceというプローブ相対的な概念と、政治内行動距離が導かれる。 その結果、共通政策変換の下でプローブ条件の挙動分離が保存されない構造条件が明らかになった。
  論文  参考訳（メタデータ） (2026-02-24T22:55:21Z)
• ARC: Active and Reflection-driven Context Management for Long-Horizon Information Seeking Agents [9.76162701959422]
  ARCは、コンテキスト管理を体系的に定式化するフレームワークである。 実行中にコンテキストを動的内部推論状態として扱う。 パッシブ・コンテクスト・コンテクスト・コンプレックス・メソッドよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-17T12:17:50Z)
• ConCISE: Confidence-guided Compression in Step-by-step Efficient Reasoning [64.93140713419561]
  大型推論モデル (LRM) は、Chain-of-Thought (CoT) による複雑な推論タスクで強く機能するが、しばしば冗長な出力に悩まされる。 既存の微調整ベースの圧縮手法は、ポストホックプルーニングを動作させるか、コヒーレンスを推論する破壊を危険にさらすか、サンプリングベースの選択に依存するかのいずれかである。 ConCISEは、簡潔な推論連鎖を生成するために設計されたフレームワークであり、信頼注入を統合して推論の信頼性を高める。
  論文  参考訳（メタデータ） (2025-05-08T01:40:40Z)
• CausalBench: A Large-scale Benchmark for Network Inference from Single-cell Perturbation Data [61.088705993848606]
  本稿では,実世界の介入データに対する因果推論手法を評価するベンチマークスイートCausalBenchを紹介する。 CaulBenchには、新しい分散ベースの介入メトリクスを含む、生物学的に動機付けられたパフォーマンスメトリクスが含まれている。
  論文  参考訳（メタデータ） (2022-10-31T13:04:07Z)
• What do Compressed Large Language Models Forget? Robustness Challenges in Model Compression [68.82486784654817]
  本稿では,知識蒸留とプルーニングを含む2つの一般的なモデル圧縮手法について検討する。 本研究では, 圧縮モデルが, 対向テストセット上のPLMモデルよりもはるかに頑健であることを示す。 サンプル不確実性に基づくモデル圧縮の正規化戦略を開発する。
  論文  参考訳（メタデータ） (2021-10-16T00:20:04Z)

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。