論文の概要: Not Worth Another Token: Marginal Value Estimation for Efficient Deep Research Agents

• arxiv url: http://arxiv.org/abs/2608.08389v1
• Date: Sun, 09 Aug 2026 00:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.799488
• Title: Not Worth Another Token: Marginal Value Estimation for Efficient Deep Research Agents
• Title（参考訳）: もう1つの価値ではない:効率的なディープリサーチエージェントのマージナルバリュー推定
• Abstract要約: 深層研究エージェントの文脈管理における限界値推定について検討する。 我々は, 検索前, 検索後, 合成前において, 軽量な基準と学習価値モデルを評価する。 ライトウェイトは、少ない品質劣化でトークンの使用量を最大73%削減し、学習されたプルーニングは、選択されたトレードオフにおいて競争力を持ち、品質、効率、忠実性で1つの方法が支配することはない。
• 参考スコア（独自算出の注目度）: 69.57766200248706
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon research agents solve open-ended tasks through iterative retrieval, aggregation, and synthesis, but context grows rapidly while the marginal value of additional evidence often declines. This leads to unnecessary token cost, higher latency, and noisier inputs for final report generation. We study marginal value estimation for context management in deep research agents and present the first systematic stage-aware comparison of pruning strategies across the pipeline. We evaluate lightweight heuristic criteria and a learned value model at pre-retrieval, post-retrieval, and pre-synthesis stages. Our results show that pruning effectiveness depends more on where pruning is applied than on the specific scoring rule: early pruning yields the largest end-to-end savings, while later pruning mainly refines the final synthesis context. Lightweight heuristics reduce token usage by up to 73% with little quality degradation, learned pruning remains competitive on selected trade-offs, and no single method dominates across quality, efficiency, and faithfulness. These findings provide practical guidance for designing efficient long-horizon agentic systems.
• Abstract（参考訳）: ロングホライゾン研究エージェントは反復的検索、集約、合成を通じてオープンエンドタスクを解決するが、追加の証拠の限界値が減少する一方、文脈は急速に増大する。 これにより、不要なトークンコスト、レイテンシの向上、最終レポート生成のためのノイズの多い入力が発生します。 本研究では,ディープリサーチエージェントにおけるコンテキスト管理の限界値推定について検討し,パイプラインを横断するプルーニング戦略について,最初の系統的段階認識比較を行った。 我々は,検索前,検索後,合成前において,軽量なヒューリスティックな基準と学習価値モデルを評価する。 以上の結果から,プルーニングの有効性は,特定のスコアリングルールよりもプルーニングが適用される場所に依存していることが明らかとなった。 ライトウェイトヒューリスティックスは、品質劣化の少ないトークンの使用量を最大73%削減し、学習されたプルーニングは、選択したトレードオフに競争力を持ち、品質、効率、忠実性で1つの方法が支配することはない。 これらの知見は、効率的な長距離エージェントシステムを設計するための実践的なガイダンスを提供する。

関連論文リスト

• Provably Reduced Sample Cost in Prior-Guided Hyperparameter Optimization [14.49729393385318]
  本報告では, 先行する多要素HPOに対して, 分布依存型サンプル複雑性境界を初めて提供する。 提案手法では, 情報伝達先が, ほぼ最適腕の確率質量, 必要な評価回数の利得低下を集中するのに対して, ベースライン性能は非形式的, 誤解を招く前処理で回復することを示した。
  論文  参考訳（メタデータ） (2026-06-03T13:32:17Z)
• Observationally Informed Adaptive Causal Experimental Design [55.998153710215654]
  本稿では,観測モデルを基礎的先行として活用する新たなパラダイムであるアクティブ残留学習を提案する。 このアプローチは、実験的な焦点を、目標因果量の学習から、観察バイアスの補正に必要な残差を効率的に推定するへとシフトさせる。 合成および半合成ベンチマークの実験は、R-Designがベースラインを大幅に上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-04T06:52:37Z)
• 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)
• TRACE: Trajectory-Aware Comprehensive Evaluation for Deep Research Agents [51.30998248590416]
  Trajectory-Aware Comprehensive Evaluation (TRACE) は、問題解決の軌道全体を評価するフレームワークである。 私たちのコントリビューションには、TRACEフレームワーク、その新しいメトリクス、および制御可能な複雑さを伴うDeepResearch-Benchが含まれています。
  論文  参考訳（メタデータ） (2026-02-05T13:28:57Z)
• On the Limits of Layer Pruning for Generative Reasoning in LLMs [0.5437050212139086]
  レイヤープルーニングは、大きな言語モデル(LLM)を圧縮でき、微調整をほとんどあるいは全く行わずに分類ベンチマークで強い性能を維持することができる。 多段階推論を必要とするタスクは,特に深度低減に敏感であることがわかった。 現実的なポストトレーニング制約の下では、教師付き微調整に基づく単純な緩和戦略を評価する。
  論文  参考訳（メタデータ） (2026-02-02T11:57:22Z)
• BEACON: Bayesian Optimal Stopping for Efficient LLM Sampling [12.126812175725654]
  本稿では,ベイズ学習を用いた逐次探索に基づく適応型サンプリングフレームワークBEACONを紹介する。 BEACONは応答品質を維持しつつ,平均サンプリングを最大80%削減することを示す。
  論文  参考訳（メタデータ） (2025-10-09T20:26:25Z)
• Beyond Memorization: Reasoning-Driven Synthesis as a Mitigation Strategy Against Benchmark Contamination [77.69093448529455]
  本稿では,arXiv論文から直接研究レベルのQAを合成するために,無限にスケーラブルなフレームワークを用いて実証的研究を行う。 各種サイズ,開発者,リリース日といったモデルについて,知識カットオフ日に近い性能劣化の欠如を評価した。 合成パイプラインで要求される多段階の推論は、浅い記憶よりも深い複雑さをもたらしたと仮定する。
  論文  参考訳（メタデータ） (2025-08-26T16:41:37Z)
• Can We Afford The Perfect Prompt? Balancing Cost and Accuracy with the Economical Prompting Index [5.714609806192087]
  本稿では,正確度スコアとトークン消費を組み合わせた新しい指標であるEconomical Prompting Index(EPI)を紹介する。 本研究は, 思考の連鎖, 自己整合性, 思考の木の6つの先進的促進技術について検討した。
  論文  参考訳（メタデータ） (2024-12-02T16:34:18Z)
• Progressive Skeletonization: Trimming more fat from a network at initialization [76.11947969140608]
  本稿では,接続感度が最大となるスケルトン化ネットワークを提案する。 次に、目的を最大化する2つの近似手順を提案する。 提案手法は, 高い刈り込みレベルにおいて, 性能を著しく向上させる。
  論文  参考訳（メタデータ） (2020-06-16T11:32:47Z)

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。