論文の概要: SkillEvo: Self-Renewing Evolution Gradients from Multi-Turn Interaction Feedback
- arxiv url: http://arxiv.org/abs/2608.13120v1
- Date: Thu, 13 Aug 2026 11:49:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.509046
- Title: SkillEvo: Self-Renewing Evolution Gradients from Multi-Turn Interaction Feedback
- Title（参考訳）: SkillEvo: マルチターンインタラクションフィードバックによる自己更新進化勾配
- Abstract要約: エージェントスキルは、手書きまたは単一のLLM世代パスで作成される。
最近の研究は、このループを閉じているが、シングルターンの質問応答評価からフィードバックを得ている。
我々はSkillEvoを紹介し、信頼できるフィードバックが勾配を生成し、制御可能なガバナンスがその方向性を制約する。
- 参考スコア（独自算出の注目度）: 10.248606572826729
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent Skills are today either hand-authored or produced in a single LLM generation pass, and consequently possess no closed loop through which they might improve from the interaction failures they actually cause. Recent work does close this loop, but derives its feedback from single-turn question-answering evaluation. The consequence is a sharp asymmetry: once the first round has patched the gaps that a single exchange can reveal, the evolution gradient decays, the defects that surface only across multiple turns remain invisible, and evolution stalls. Governance in these systems is likewise driven by an end-to-end verification score, a scalar gate that can reject a degraded candidate but can neither localize nor repair its structural cause. We argue that the binding constraint on sustained skill evolution is neither editing capability nor the number of iterations, but whether the evaluation feedback keeps supplying trustworthy evolution gradients. We introduce SkillEvo, in which trustworthy feedback generates the gradient and controllable governance constrains its direction. The first component recasts multi-turn user simulation from an evaluation endpoint into a feedback generator: follow-up questions expose defects layer by layer, so that every round of revision both consumes feedback and produces new feedback. The second replaces the passive rejection of a scalar gate with an independent governance layer that actively repairs factual degradation and structural bloat, preventing the gradient from drifting as degradation accumulates. Across six categories of cloud services, 9 production Skills, and 98 skill-reference files, SkillEvo surpasses self-reflection-based evolution by 23.0 points and single- turn-QA-driven evolution by 15.4 points.
- Abstract（参考訳）: エージェントスキルは現在、1つのLCM生成パスで手書きまたは生産されており、結果として実際に発生する相互作用の失敗から改善される可能性のあるクローズドループを持たない。
最近の研究は、このループを閉じているが、シングルターンの質問応答評価からフィードバックを得ている。
その結果は鋭い非対称性であり、第1ラウンドが1つの交換で明らかなギャップにパッチを当てると、進化勾配は崩壊し、複数のターンにしか渡らない欠陥は見えなくなり、進化は停止する。
これらのシステムのガバナンスも、劣化した候補を拒否できるが、その構造的原因のローカライズも修復もできないスカラーゲートであるエンドツーエンドの検証スコアによって駆動される。
持続的スキル進化に対する拘束力は、編集能力やイテレーション数ではなく、評価フィードバックが信頼性の高い進化勾配を供給し続けるかどうかを論じる。
我々はSkillEvoを紹介し、信頼できるフィードバックが勾配を生成し、制御可能なガバナンスがその方向性を制約する。
最初のコンポーネントは、評価エンドポイントからフィードバックジェネレータにマルチターンユーザーシミュレーションをリキャストする: フォローアップ質問は、レイヤごとに欠陥を露呈する。
第二に、スカラーゲートの受動的拒絶を独立したガバナンス層に置き換え、事実上の劣化と構造的肥大を積極的に修復し、劣化が蓄積するにつれて勾配がドリフトするのを防ぐ。
クラウドサービスの6つのカテゴリ、9つのプロダクションスキル、98のスキル参照ファイルにまたがって、SkillEvoは自己回帰ベースの進化を23.0ポイント、単ターンQA駆動の進化を15.4ポイント上回る。
関連論文リスト
- HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution [11.431479238875712]
我々は、信頼できるエージェントの自己進化を実現するために、参照軌道から学習する自己進化フレームワークであるHarnessEvolveを紹介する。
私たちは、さまざまなモデルとエージェントフレームワークを使用して、オープンドメインとエンタープライズシナリオにまたがるいくつかのベンチマークで広範な実験を行います。
結果は、HarnessEvolveがすべてのベンチマークと設定で、最先端のベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-09-01T07:31:18Z) - One Recipe, Many Harnesses: What Self-Evolution Encodes Across Languages and Models [46.83445434865936]
自己進化型ハーネスは、エージェントが自身のロールアウトを検査し、プロンプト、ツール、メモリを編集するクローズドループシステムである。
ベンチマーク固有の適応、言語固有のエンジニアリング知識、あるいは基礎となるモデルの制限に対する補償をエンコードしているかどうかは不明だ。
論文 参考訳（メタデータ） (2026-08-10T19:45:45Z) - Ouroboros: A Self-Developing Frontier Coding Agent with Reviewed Core Evolution [5.582379361006319]
ツール、プロンプト、コンテキストアセンブリ、コア実装が、後の作業のランタイムとなるレビューされたコミットによって改善されるセルフ開発エージェントであるOuroborosを紹介します。
経験駆動のコア進化において、通常の仕事と社会的相互作用は、バグ、粗い縁、非効率なコンテキスト構築を露出し、構造的変化をレビューする。
ホープは、Ouroborosの展開が記録された最長記録である。これは、7つの面にわたる人間のコミュニケーションの下で、自由進化のための161日間の生命体実験である。
論文 参考訳（メタデータ） (2026-08-08T19:45:22Z) - When Self-Evolution Backfires: Pre-Commit Gating against Skill Contamination in LLM Agents [24.749287669929913]
自己進化剤は, 実行軌道から再利用可能なスキルを蒸留することによって蓄積するが, このプロセスは単調ではない。
この機能-汚染相転移を形式化し、構造的原因まで追跡する。
汚染が構造的に不可逆であることを示す: 子孫がすでに受け継いだ欠点を消すことができないという事実から、ソーススキルを除去することは、失われた性能のごく一部しか回復できない。
論文 参考訳（メタデータ） (2026-08-06T09:43:04Z) - Skill Self-Play: Pushing the Frontier of LLM Capability with Co-Evolving Skills [53.15216425100295]
本稿では,提案者,解決者,スキルコントローラからなる共進化型フレームワークであるスキルセルフプレイ(スキルSP)を紹介する。
プロジェクタは動的にサンプリングされたスキルを前提とした挑戦的なタスクを生成し、ソルバは能力境界を押し上げるための候補ソリューションを探索し、スキルコントローラは実行フィードバックを収集してスキルライブラリを更新および拡張する。
このインタラクティブな共進化は、構造化された検証とオープンな調査の間のギャップを効果的に埋める。
論文 参考訳（メタデータ） (2026-07-24T17:59:22Z) - Verifiable Self-Evolution for Open-Ended Dialogue Skills via Future-Feedback Prediction [1.5383510899449275]
Future-feedbackスキルの進化は、現在の回答を規定する自己進化から、観察された回答が肯定的または否定的な後続のユーザー信号につながるかどうかを予測することへの転換である。
プロプライエタリなプライバシ保護型セールスアシストデータセットでは、注意深い品質フィルタリングと、バランスのとれた解決/未解決の分割によって、75%以上の予測精度が得られます。
論文 参考訳（メタデータ） (2026-07-21T11:06:25Z) - SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。
行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。
Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
論文 参考訳（メタデータ） (2026-06-12T08:20:09Z) - HERO: Hindsight-Enhanced Reflection from Environment Observations for Agentic Self-Distillation [50.53459634301361]
HEROは、次の環境観測を局所的に整列したフィードバックとして利用する、後向きの自己蒸留フレームワークである。
HEROはタスク成功を改善し、環境フィードバックのみの自己蒸留とGRPOに対する不要なターンを減らす。
論文 参考訳（メタデータ） (2026-06-10T01:35:34Z) - DemoEvolve: Overcoming Sparse Feedback in Agentic Harness Evolution with Demonstrations [12.048713464721665]
DemoEvolveは、進化を活用するためのデモブートストラップ付きのアプローチである。
我々はこのパラダイムを標本効率の速い適応の一形態として研究する。
DemoEvolveは、より効果的で監査可能なハーネス編集を生成する。
論文 参考訳（メタデータ） (2026-05-23T12:10:52Z) - Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses [57.20181537213498]
Agentic Harness Engineering (AHE)は、ハーネスエンジニアリングを自動化するクローズドループである。
AHEは3つの一致した可観測性柱を通じて課題に対処する。
10 AHE lift pass@1 on Terminal-Bench 2 from 69.7% to 77.0%。
SWE-bench-verifiedでは、種子よりも12%少ないトークンで合計成功率を上回り、ターミナルベンチ2では+5.1から+10.1ppのクロスファミリーゲインを得る。
論文 参考訳（メタデータ） (2026-04-28T16:55:02Z) - CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。
エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。
CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
論文 参考訳（メタデータ） (2025-12-22T16:34:21Z)
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。