論文の概要: Carnot: Interpretable, Interactive, and Optimized Execution of Deep Research Queries
- arxiv url: http://arxiv.org/abs/2608.09532v1
- Date: Mon, 10 Aug 2026 12:32:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.261867
- Title: Carnot: Interpretable, Interactive, and Optimized Execution of Deep Research Queries
- Title（参考訳）: Carnot:Deep Research Queriesの解釈可能でインタラクティブで最適化された実行
- Abstract要約: AI駆動分析のための対話型実行エンジンであるCarnotを紹介する。
最終的な出力を待つ代わりに、ユーザーは演算子を漸進的に実行することができる。
われわれのデモでは、Carnotがユーザーが効率的かつ検証可能な洞察を得るのにどう役立つかを紹介する。
- 参考スコア（独自算出の注目度）: 18.861225734701105
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enterprises increasingly seek to query data lakes using natural language via AI-driven tools like semantic operators or deep research agents. However, the latter operates as an opaque black box, hiding its intermediate reasoning and data retrieval steps, and failing to expose controls for managing API costs and execution latency. Meanwhile, the former can be prohibitively expensive for enterprise-scale data lakes. Consequently, analysts using these systems lack the agency to intercept hallucinated premises, verify intermediate results, or correct the system's trajectory. We present Carnot, an interactive execution engine for AI-driven analytics. Carnot compiles natural language requests into physical execution graphs and surfaces them through an interactive notebook interface. Rather than waiting blindly for a final output, users can critique the plan, incrementally execute operators, inspect intermediate data, or directly edit the underlying code or semantic operator instructions. Carnot's query optimizer will optimize the query with respect to cost or latency constraints provided by the user. Our demo will showcase how Carnot helps users achieve efficient and verifiable insights on workloads motivated by real enterprise use cases.
- Abstract（参考訳）: 企業は、セマンティック演算子やディープリサーチエージェントといったAI駆動のツールを通じて、自然言語を使ってデータレイクをクエリしようとしている。
しかし、後者は不透明なブラックボックスとして動作し、中間的な推論とデータ検索ステップを隠蔽し、APIコストと実行遅延を管理するためのコントロールを公開することができない。
一方、前者はエンタープライズ規模のデータレイクでは違法に高価である。
結果として、これらのシステムを利用するアナリストは、幻覚的前提をインターセプトしたり、中間結果を確認したり、システムの軌道を修正したりするエージェンシーを欠いている。
AI駆動分析のための対話型実行エンジンであるCarnotを紹介する。
Carnotは自然言語リクエストを物理実行グラフにコンパイルし、インタラクティブなノートブックインターフェースを通じてそれらをサーフェスする。
最終的な出力を待つ代わりに、ユーザーはプランを批判したり、演算子を段階的に実行したり、中間データを検査したり、基礎となるコードやセマンティック演算子命令を直接編集することができる。
Carnotのクエリオプティマイザは、ユーザが提供するコストやレイテンシの制約に関して、クエリを最適化する。
私たちのデモでは、Carnotが実際のエンタープライズユースケースによって動機付けられたワークロードの効率的かつ検証可能な洞察をユーザに提供する方法を紹介します。
関連論文リスト
- ScrambleToolBench: Agents Search Exhaustively Even When Their Own Map Points to the Next Step [74.83535434786145]
ScrambleToolBenchは,行動推論の分離を目的とした対話型端末ベンチマークである。
このベンチマークでは、エージェントがテストとエラーのインタラクションを通じて、隠されたツールの振る舞いを明らかにする必要がある。
現状の言語モデルに対する我々の評価は、初期発見が成功しても頑健な適応にはならないことを示している。
論文 参考訳（メタデータ） (2026-08-03T15:07:46Z) - From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。
最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。
縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。
IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
論文 参考訳（メタデータ） (2026-08-03T12:52:04Z) - Execution-First Synthetic Tool-Use Trace Generation for LLM Agents [10.291533584425252]
SyntheticAgentTraceQAは、ツールエージェントのためのスケーラブルな監視データを生成するための実行ファーストフレームワークである。
4つのツールエコシステムにまたがるフレームワークを評価し、結果のデータを微調整し、Qwenモデルの変種を評価する。
論文 参考訳（メタデータ） (2026-07-31T08:52:26Z) - DocOS: Towards Proactive Document-Guided Actions in GUI Agents [54.27655693145045]
textbfDocOSは、完全にインタラクティブな環境で文書誘導問題解決を評価するために設計されたベンチマークである。
実験の結果、エージェントはプロアクティブ検索中に関連情報を確実に見つけるのに苦労し、検索した指示を忠実に正確な行動に移すのに失敗することが判明した。
論文 参考訳（メタデータ） (2026-05-18T08:36:04Z) - How to Interpret Agent Behavior [56.59836196946289]
本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。
共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
論文 参考訳（メタデータ） (2026-05-13T14:52:40Z) - Dynamic analysis enhances issue resolution [53.50448142467294]
DAIRA(Dynamic Analysis-enhanced Issue Resolution Agent)は、エージェントの推論サイクルに動的解析を組み込む自動修復フレームワークである。
テストトレース駆動の方法論によって駆動されるDAIRAは、軽量モニタを使用して重要なランタイムデータを抽出する。
Gemini 3 Flash Previewを使用すると、DAIRAは新たな最先端(SOTA)パフォーマンスを確立し、SWE-bench Verifiedデータセットで79.4%の解像度を達成する。
論文 参考訳（メタデータ） (2026-03-23T14:48:54Z) - Beyond the Click: A Framework for Inferring Cognitive Traces in Search [2.50369129460887]
本稿では,行動ログから認知的痕跡を推定する枠組みを提案する。
これらのトレースは、セッション結果の予測やユーザ障害回復といったタスクにおけるモデルパフォーマンスを改善する。
この作業は、より人間的なユーザーシミュレータを構築するのに必要なツールとデータを提供する。
論文 参考訳（メタデータ） (2026-02-27T18:32:59Z) - Deep Research is the New Analytics System: Towards Building the Runtime for AI-Driven Analytics [6.298765290689598]
我々は、Deep Researchエージェントが最適化されたセマンティック演算子プログラムを記述および実行できるようにするプロトタイプを構築した。
標準のオープンディープリサーチエージェントと比較して、我々のプロトタイプは最大1.95倍のF1スコアを実現している。
エージェントにセマンティック演算子をツールとしてアクセスしても、プロトタイプは最大76.8%と72.7%のコストとランタイムの節約を達成する。
論文 参考訳（メタデータ） (2025-09-02T18:59:15Z) - Leveraging Knowledge Graphs and LLM Reasoning to Identify Operational Bottlenecks for Warehouse Planning Assistance [1.2749527861829046]
我々のフレームワークは知識グラフ(KG)とLarge Language Model(LLM)ベースのエージェントを統合している。
生のDESデータを意味的にリッチなKGに変換し、シミュレーションイベントとエンティティの関係をキャプチャする。
LLMベースのエージェントは反復推論を使用し、相互依存的なサブクエストを生成する。各サブクエストに対して、KGインタラクションのためのCypherクエリを生成し、情報を抽出し、エラーを修正する。
論文 参考訳（メタデータ） (2025-07-23T07:18:55Z) - Research on the Application of Spark Streaming Real-Time Data Analysis System and large language model Intelligent Agents [1.4582633500696451]
本研究では、ビッグデータ環境におけるリアルタイムデータ分析システムを強化するために、Agent AIとLangGraphの統合について検討する。
提案したフレームワークは、静的で非効率なステートフル計算の限界を克服し、人間の介入の欠如を克服する。
システムアーキテクチャにはApache Spark Streaming、Kafka、LangGraphが組み込まれ、高性能な感情分析システムを構築する。
論文 参考訳（メタデータ） (2024-12-10T05:51:11Z) - Collaborative Instance Object Navigation: Leveraging Uncertainty-Awareness to Minimize Human-Agent Dialogues [54.81155589931697]
協調インスタンスオブジェクトナビゲーション(CoIN)は、エージェントがターゲットインスタンスに関する不確実性を積極的に解決する新しいタスク設定である。
未認識者に対するエージェント・ユーザインタラクション(AIUTA)の新たな学習自由化手法を提案する。
まず、オブジェクト検出時に、セルフクエチオナーモデルがエージェント内で自己対話を開始し、完全かつ正確な観察記述を得る。
インタラクショントリガーモジュールは、人間に質問するか、継続するか、ナビゲーションを停止するかを決定する。
論文 参考訳（メタデータ） (2024-12-02T08:16:38Z) - Pointwise Mutual Information as a Performance Gauge for Retrieval-Augmented Generation [78.28197013467157]
文脈と問合せの間のポイントワイドな相互情報は,言語モデルの性能向上に有効な指標であることを示す。
本稿では,文書と質問のポイントワイドな相互情報を利用する2つの手法を提案する。
論文 参考訳（メタデータ） (2024-11-12T13:14:09Z) - Semantic Operators: A Declarative Model for Rich, AI-based Data Processing [27.294714926492187]
我々は、宣言型および汎用AIベースの変換のための最初の定式化である意味演算子を紹介する。
セマンティックフィルタリング,ジョイン,グループバイ,トップk操作を最大1000ドルまで高速化する新しい最適化を提案する。
セマンティック・オペレーター・モデルは表現力があり、いくつかのオペレーター・コールで最先端のAIパイプラインをキャプチャする。
論文 参考訳（メタデータ） (2024-07-16T06:19:14Z)
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。