論文の概要: TaoLive Digital Avatar Agent Technical Report: Training Agents to Evolve with Their Harness
- arxiv url: http://arxiv.org/abs/2608.15763v1
- Date: Sun, 16 Aug 2026 14:32:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.416931
- Title: TaoLive Digital Avatar Agent Technical Report: Training Agents to Evolve with Their Harness
- Title（参考訳）: TaoLive Digital Avatar Agent Technical Report: Training Agents to Evolve with their Harness
- Abstract要約: 我々は、Skills、Hooks、システムプロンプト、ツールをモデル重みから切り離して、再トレーニングせずに実行時の振る舞いを変更できる進化可能なHarnessを開発する。
Harness-Aware Training (HAT) では,この緊張感に対処し,Harness をトレーニングディストリビューションの一部にしている。
- 参考スコア（独自算出の注目度）: 11.208193267995986
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: AI-powered digital-avatar streamers in live e-commerce must answer product questions, engage viewers, and execute changing business strategies in real time. This requires low latency, factual and effective replies, and rapid adaptation to updated campaign, compliance, and style requirements. We develop an evolvable Harness that decouples Skills, Hooks, system prompts, and tools from model weights, allowing runtime behavior to change without retraining. However, Harness evolution creates a moving execution environment: compact models fine-tuned on one configuration may memorize names, schemas, and prompt templates rather than follow the Harness currently provided, while stronger zero-shot models are too slow for real-time use. We address this tension with Harness-Aware Training (HAT), which makes Harness states part of the training distribution. HAT applies task-preserving Harness-State Augmentation (HSA) to Skills, tool schemas, prompt structures, and interaction constraints, and comprises three stages: HSA-based supervised fine-tuning, general on-policy distillation to recover general capabilities, and HSA-based agentic reinforcement learning in a production-informed live-room simulator. Across four evaluation sets with more than 4,500 cases, our compact 35B model scores 94.8 on real-world Live-Stream QA, versus 80.3 for the base model and 93.0 for the strongest evaluated general LLM, while scoring 94.6 on Harness-Variant QA and retaining 83.5 on IFEval. By contrast, fixed-Harness SFT reduces IFEval by 7.7 points. In a controlled complete-agent replay on one NVIDIA H20 GPU with MTP enabled, the system achieves 3.407 s P50 and 8.114 s P95 latency. These results show that HAT produces a latency-feasible compact agent that remains effective under evaluated Harness changes without sacrificing general instruction following.
- Abstract（参考訳）: ライブeコマースにおけるAIによるデジタル・アバター・ストリーマーは、プロダクトの質問に答え、視聴者を惹きつけ、変化するビジネス戦略をリアルタイムで実行しなければならない。
これは低レイテンシ、事実と効果的な応答、更新されたキャンペーン、コンプライアンス、スタイル要求への迅速な適応を必要とする。
我々は、Skills、Hooks、システムプロンプト、ツールをモデル重みから切り離して、再トレーニングせずに実行時の振る舞いを変更できる進化可能なHarnessを開発する。
1つの設定で微調整されたコンパクトモデルは、現在提供されているHarnessに従わず、名前やスキーマ、プロンプトテンプレートを記憶し、より強力なゼロショットモデルはリアルタイム使用には遅すぎる。
Harness-Aware Training (HAT) では,この緊張感に対処し,Harness をトレーニングディストリビューションの一部にしている。
HATは、タスク保存型Harness-State Augmentation(HSA)をスキル、ツールスキーマ、プロンプト構造、相互作用制約に適用し、HSAベースの監督された微調整、一般的な能力を回復するための一般のオンライン蒸留、HSAベースのエージェント強化学習の3段階からなる。
実世界のライブストリームQAでは,コンパクト35Bモデルが94.8点,ベースモデルでは80.3点,最も評価の高いLCMでは93.0点,ハーネス・ヴァリアントQAでは94.6点,IFEvalでは83.5点であった。
対照的に、固定ハーネス SFT は IFEval を 7.7 ポイント削減する。
MTPを有効にした1つのNVIDIA H20 GPU上のコントロールされた完全エージェントリプレイでは、システムは3.407 s P50と8.114 s P95レイテンシを達成した。
これらの結果から,HATは,評価されたハーネス変化の下でも,後続の一般的な命令を犠牲にすることなく,効率よく遅延対応のコンパクトエージェントを生成することがわかった。
関連論文リスト
- Harness-R1: Learning to Edit Executable Runtime Harnesses from Agent Failure Trajectories [41.919231699460944]
Harness-R1は、既存の実行ランタイムのエラー条件付きライフサイクルワイドな編集を学習機能を提供する最初の方法です。
オンラインの強化学習を専門とするハーネスエンジニアをポストトレーニングし、その編集は、彼らが実現したタスク成功のために最適化される。
WebShop、ALFWorld、DBBenchの他、Harness-R1はバニラQwen3.5-9Bを44.3%から53.6%に引き上げている。
論文 参考訳（メタデータ） (2026-08-03T14:12:18Z) - HarnessX: A Composable, Adaptive, and Evolvable Agent Harness Foundry [35.87794858139959]
HarnessXは、構成可能、適応可能、進化可能なエージェントハーネス用のファウンダリーである。
型付きハーネスプリミティブを置換代数学で組み立て、AIGISを介して適応する。
軌道をハーネス更新とモデルトレーニング信号の両方に変換することでハーネスモデルループを閉じる。
論文 参考訳（メタデータ） (2026-06-12T08:27:11Z) - Harness Updating Is Not Harness Benefit: Disentangling Evolution Capabilities in Self-Evolving LLM Agents [82.27610290890475]
i) ハーネス更新、(i) 実行証拠から有用な永続的ハーネス更新を生成する能力、(ii) ハーネスベネフィット、タスク解決時に更新されたハーネスの恩恵を受ける能力の2つのハーネス自己進化能力を分析した。
まず、ハーネス更新は基本能力において平坦である:異なる能力階層のモデルがハーネス更新を生成し、驚くほど類似したゲインをもたらす。
第二に、ハーネスベネフィットは基本能力において単調ではない:弱い層モデルは更新されたハーネスからほとんど恩恵を受けず、中層モデルは最も恩恵を受け、強い層モデルは中層より利益が低い。
論文 参考訳（メタデータ） (2026-05-28T22:16:14Z) - Adapting the Interface, Not the Model: Runtime Harness Adaptation for Deterministic LLM Agents [4.765206163164323]
モデル重みや評価環境を変化させることなく冷凍LDMエージェントを改善するライフサイクル対応ランタイムハーネスであるLife-Harnessを提案する。
ライフ・ハーネスは、繰り返し発生する相互作用の失敗を、環境契約、手続きスキル、行動実現、軌道規制にまたがる再利用可能な介入に変換することによって、訓練軌道から進化する。
ライフハーネスはモデル116のうち116で改善され、環境設定は18モデルバックボーンで改善され、平均的な相対的改善は88.5%である。
論文 参考訳（メタデータ） (2026-05-21T08:36:49Z) - TEMPO: Scaling Test-time Training for Large Reasoning Models [87.61789183311856]
テストタイムトレーニング(TTT)は、推論時間中にラベルのないテストインスタンスにモデルパラメータを適用する。
TTTフレームワークであるTEMPOを提案する。これは、ラベル付きデータセット上で定期的な批評家の再検討を行い、ラベル付き質問に対するポリシー修正をインターリーブする。
論文 参考訳（メタデータ） (2026-04-21T10:01:04Z) - Cog-DRIFT: Exploration on Adaptively Reformulated Instances Enables Learning from Hard Reasoning Problems [70.94268452442147]
検証可能な報酬(RLVR)からの強化学習はLLMの推論能力を改善した。
本稿では,タスク修正に基づくシンプルで効果的なソリューションを提案する。
本稿では,Cag-DRIFTについて紹介する。このフレームワークは改良された変種を構築し,適応的なカリキュラムに編成する。
論文 参考訳（メタデータ） (2026-04-06T15:38:38Z) - SWE-Fuse: Empowering Software Agents via Issue-free Trajectory Learning and Entropy-aware RLVR Training [20.30270129690516]
我々は,SWEエージェントのトレーニングのために,課題記述誘導と問題なしサンプルを融合した課題記述対応学習フレームワークであるtextbftextitSWE-Fuseを提案する。
SWE-Fuseは、それぞれ最高の8Bと32Bのベースラインを43.0%、60.2%で上回っている。
論文 参考訳（メタデータ） (2026-03-09T03:47:10Z) - Breaking Training Bottlenecks: Effective and Stable Reinforcement Learning for Coding Models [104.26904744478884]
現代のコード生成モデルは、より長い出力を示し、能力の成長を加速し、トレーニングのダイナミクスを変更します。
グループ相対政策最適化を改良したMicroCoder-GRPOを提案する。
MicroCoder-GRPOは、LiveCodeBench v6の強力なベースラインよりも17.6%の相対的な改善を実現している。
私たちは、300のトレーニングステップで、LiveCodeBench v6の主流データセットよりも3倍大きなパフォーマンス向上を達成する、より困難なトレーニングコーパスであるMicroCoder-Datasetをリリースした。
論文 参考訳（メタデータ） (2026-03-08T19:40:12Z) - Adaptive Data Flywheel: Applying MAPE Control Loops to AI Agent Improvement [8.230420096371407]
我々は、NVIDIAのMixture-of-Experts (MoE) Knowledge AssistantであるNVInfo AIにおけるデータフライホイールの実践的な実装について述べる。
我々は、検索強化世代(RAG)パイプラインの障害に対処し、継続的な学習を可能にするクローズドループシステムを構築した。
ルーティングでは、Llama 3.1Bモデルを微調整8Bモデルに置き換え、96%の精度、モデルサイズ10倍の削減、70%のレイテンシ改善を実現した。
論文 参考訳（メタデータ） (2025-10-30T23:41:06Z) - Beyond Pass@1: Self-Play with Variational Problem Synthesis Sustains RLVR [110.90317717368264]
RLVRトレーニングのためのオンライン変分問題合成(SvS)戦略を提案する。
この戦略は、トレーニング中のポリシーのエントロピーを効果的に維持し、標準のRLVRと比較してPass@kを大幅に改善する。
論文 参考訳（メタデータ） (2025-08-19T17:42:45Z) - Adversarial Preference Learning for Robust LLM Alignment [24.217309343426297]
逆選択学習(英: Adversarial Preference Learning, APL)は、3つの重要な革新を取り入れた反復的逆選択学習法である。
第一に、モデル固有の嗜好確率に基づく直接的な有害度指標。
第二に、入力固有の逆数変化を合成する条件生成攻撃者。
論文 参考訳（メタデータ） (2025-05-30T09:02:07Z) - AegisLLM: Scaling Agentic Systems for Self-Reflective Defense in LLM Security [74.22452069013289]
AegisLLMは、敵の攻撃や情報漏洩に対する協調的なマルチエージェント防御である。
テスト時のエージェント推論システムのスケーリングは,モデルの有用性を損なうことなく,ロバスト性を大幅に向上させることを示す。
アンラーニングやジェイルブレイクを含む主要な脅威シナリオに対する総合的な評価は、AegisLLMの有効性を示している。
論文 参考訳（メタデータ） (2025-04-29T17:36:05Z) - DigiRL: Training In-The-Wild Device-Control Agents with Autonomous Reinforcement Learning [61.10299147201369]
本稿では,Wild デバイス制御エージェントをトレーニングするための新しい自律型 RL 手法である DigiRL を提案する。
VLMベースの評価器を備えた,スケーラブルで並列化可能なAndroid学習環境を構築する。
我々はAndroid-in-the-Wildデータセットを使用してDigiRLの有効性を実証し、RLでトレーニングした1.3B VLMは49.5%の絶対改善を実現した。
論文 参考訳（メタデータ） (2024-06-14T17:49:55Z)
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。