論文の概要: Rethinking Self-Evolving Agents: Do We Still Need Prescribed Optimization Pipelines?

• arxiv url: http://arxiv.org/abs/2608.09629v1
• Date: Mon, 10 Aug 2026 14:10:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.299009
• Title: Rethinking Self-Evolving Agents: Do We Still Need Prescribed Optimization Pipelines?
• Title（参考訳）: 自己進化型エージェントを再考する: 規定された最適化パイプラインは必要か?
• Abstract要約: 我々はOEO(Open-Ended Optimization)を導入する。OEO(Open-Ended Optimization)は、目的、許容されるインタラクション、リソース予算、データバウンダリ、および修正された評価を維持しつつ、変化のない改善プロセスをオンラインで構成できるようにする。 我々はOEOとSkillOptの2つの補完的なアプローチを比較した。
• 参考スコア（独自算出の注目度）: 10.320791537095294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-evolving agents are usually built around prescribed optimization pipelines: the framework decides how to gather evidence, revise a persistent artifact, select candidates, and stop. We ask whether this task-specific procedure remains necessary when a frontier model acts as the optimizer. We introduce Open-Ended Optimization (OEO), which keeps the objective, permitted interactions, resource budget, data boundary, and evaluation fixed while allowing the optimizer to compose the improvement process online. We compare OEO with two complementary prescribed approaches: SkillOpt, a staged pipeline with bounded edits, and GEPA, a reflective evolutionary search. Across 14 head-to-head comparisons over 8 benchmark-target-model settings, GPT-5.5-driven OEO records 12 wins, 1 tie, and 1 narrow loss of 0.21 percentage points. It uses a median 34.3 percent of SkillOpt's configured target-interaction token budget. A one-shot, zero-interaction control shows that the gains are not explained by a single prior-driven rewrite. However, delegation has a capability boundary: SkillOpt outperforms OEO with a medium optimizer, and a weak optimizer cannot operate through the unchanged OEO interface. In the fully instrumented OEO-SkillOpt pair, trajectory analysis further shows that prescription changes how optimization proceeds more consistently than it changes final behavior. Together, these findings recast prescribed pipelines as capability-dependent scaffolding: essential constraints remain external, but a sufficiently capable optimizer can compose the route from measurable feedback to persistent improvement.
• Abstract（参考訳）: フレームワークはエビデンス収集、永続的なアーティファクトの修正、候補の選択、停止の方法を決定する。 我々は、フロンティアモデルがオプティマイザとして機能する場合、このタスク固有の手順が依然として必要かどうかを問う。 我々は、OEO(Open-Ended Optimization)を導入し、オプティマイザがオンラインで改善プロセスを構成できるようにしながら、目的、許容されるインタラクション、リソース予算、データバウンダリ、評価を固定する。 我々はOEOとSkillOptの2つの補完的なアプローチを比較した。 ベンチマークターゲットモデル設定8点、GPT-5.5で駆動するOEOの14点中14点が12勝、1ネクタイ、1点の狭損失0.21ポイントを記録した。 SkillOptが設定したターゲット・アクショントークン予算の中央値34.3%を使用している。 ワンショットのゼロアクション制御は、利得が1つの事前駆動的な書き換えによって説明されないことを示している。 SkillOptはメディアオプティマイザでOEOを上回り、弱いオプティマイザは変更されていないOEOインターフェースで操作できない。 完全に測定されたOEO-SkillOptペアでは、トラジェクトリ解析により、最終的な振る舞いを変えるよりも、最適化が一貫した方法を変えることが示される。 基本的制約は外部に留まるが、十分な能力を持つ最適化器は、測定可能なフィードバックから永続的な改善までの経路を構成することができる。

関連論文リスト

• TROVE: Adaptive Agent Skill Orchestration via Trace-Grounded Route Validation and Editing [14.424308190797683]
  検証・編集(TROVE)によるトレーサグラウンドルートオーケストレーションを提案する。 オフライン, TROVE蒸留は, ワークフローのトレースから原子・複合技術, 結果条件遷移グラフまでの評価を行った。 オンラインでは、計画されたルートを暫定的に扱い、1つのトップレベルスキルをコミットした後、コントローラは有効な継続を保持し、トレースサポートされたローカルレスポンスを挿入し、無効な接尾辞のみを置き換える。
  論文  参考訳（メタデータ） (2026-09-04T11:38:13Z)
• CORAL: An LLM-Native Harness for Production Recommender Systems [26.7379632070749]
  本稿では,エージェントループによる制約-dレコメンダ(Constraint-d Recommender)について,その決定の計測結果から学習するエージェントループを提案する。 我々はこれを、ポリシーが文脈で改善する、部分的に観察された、非定常的、制約付き最適化問題として定式化する。 A/B実験により評価された2つの大規模ソーシャルプラットフォームにおいて、同じハーネスは、追加のサービスコストなしでエンゲージメントを改善し、一方のエンゲージメントを低下させることなくサービスコストを低減する。
  論文  参考訳（メタデータ） (2026-09-02T15:40:36Z)
• On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
  強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。 そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。 SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
  論文  参考訳（メタデータ） (2026-08-25T14:55:24Z)
• Agentic Bayesian Optimization through Surrogate-Augmented Autoresearch [2.830343636507172]
  本稿では,エージェントがBOループの中心的意思決定者となるパラダイムであるエージェントベイズ最適化を紹介する。 このアイデアは、サロゲート強化された自動検索エージェントであるSaraと、モジュール型のBoTorchベースのバックエンドであるLenzでインスタンス化します。 人工的および実世界のベンチマーク全体で、サラは先行知識のない最先端BOの信頼性を保ち、LLMベースのベースラインを上回り、標準BOを超える改善のために自然言語の事前を使用する。
  論文  参考訳（メタデータ） (2026-07-31T22:01:18Z)
• Do Agent Optimizers Compound? A Continual-Learning Evaluation on Terminal-Bench 2.0 [53.71882250666667]
  エージェント最適化法で報告されているほとんどの利得はワンショットである。 これは、デプロイされたエージェントにとって重要な設定をテストするものではない。 エージェントハーネス最適化に対する3つのアプローチを比較する。
  論文  参考訳（メタデータ） (2026-07-15T16:36:04Z)
• MAGE: Understanding Stability-Performance Trade-offs in Multi-component Prompt Optimization [3.7323766833175718]
  MAGE(Memory-Augmented Goal Prompt Evolution)は、コンポーネント間の相互作用を即時最適化する制御分析フレームワークである。 我々の実験は、複数の最適化信号が閉じた反射ループ内で動作しているときに、以前に報告されていない現象である、Prompt Optimization Coupling Effect (POCE)を発見した。
  論文  参考訳（メタデータ） (2026-07-11T10:05:58Z)
• Evolving Agents in the Dark: Retrospective Harness Optimization via Self-Preference [51.55077364626896]
  本稿では,過去の軌道のみを用いたエージェント・ハーネスを最適化する自己教師型手法であるRetrospective Harness Optimization (RHO)を紹介する。 RHOは、過去の軌跡から様々な課題のコアセットを選択し、それらを並列に解決する。 1回の最適化ラウンドでは、SWE-Bench Proのパスレートが59%から78%に向上する。
  論文  参考訳（メタデータ） (2026-06-04T09:26:00Z)
• AdaExplore: Failure-Driven Adaptation and Diversity-Preserving Search for Efficient Kernel Generation [59.964989458924585]
  AdaExploreは、パフォーマンスクリティカルなカーネルコード生成のための蓄積された実行フィードバックによる自己改善を可能にするエージェントフレームワークである。 適応段階では、エージェントはタスクを合成し、繰り返し発生する障害を有効ルールの再利用可能なメモリに変換する。 探索段階では、候補核を木として整理し、小さな局所精製とより大きな構造再生を交互に行う。
  論文  参考訳（メタデータ） (2026-04-17T18:25:03Z)
• dTRPO: Trajectory Reduction in Policy Optimization of Diffusion Large Language Models [71.26391195427878]
  拡散大言語モデル(dLLM)は、言語生成の新しいパラダイムを導入する。 本研究は,軌道確率計算のコストを削減し,dLLMのポリシー最適化を改善することを目的とする。 我々は、7B dLLMのdTRPOを命令追従と推論のベンチマークで評価した。
  論文  参考訳（メタデータ） (2026-03-19T11:55:52Z)
• Anchoring Values in Temporal and Group Dimensions for Flow Matching Model Alignment [61.80228667422234]
  VGPOは時間次元とグループ次元の両方で値の推定を再定義する。 スパース端末の報酬を密度の高いプロセス認識値推定に変換する。 標準群正規化を絶対値によって強化された新しいプロセスに置き換え、安定した最適化信号を維持する。
  論文  参考訳（メタデータ） (2025-12-13T16:31:26Z)
• Understanding Likelihood Over-optimisation in Direct Alignment Algorithms [20.043560907227018]
  ダイレクトアライメントアルゴリズム(DAA)は、ヒューマンフィードバックによるオンライン強化学習の代替として登場した。 これらのアルゴリズムは、より良い(好ましくない)完了を生成する可能性を高めつつ、悪い(好ましくない)完了を阻止することを目的としている。 本研究は,最先端DAAにおける完成可能性とモデル性能の関係について検討する。
  論文  参考訳（メタデータ） (2024-10-15T15:14:22Z)
• Self-Play Preference Optimization for Language Model Alignment [75.83359213697854]
  近年の進歩は、嗜好の確率で直接作業することで、人間の嗜好をより正確に反映できることを示している。 本稿では,言語モデルアライメントのためのセルフプレイ方式を提案する。 我々の手法はSPPO(Self-Play Preference Optimization)と呼ばれ、繰り返しポリシー更新を利用してナッシュ均衡を確実に近似する。
  論文  参考訳（メタデータ） (2024-05-01T17:59:20Z)

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。