論文の概要: The Working Set of a Coding Agent: Coherence Debt in Repository-Scale Tasks
- arxiv url: http://arxiv.org/abs/2608.16630v1
- Date: Mon, 17 Aug 2026 14:30:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.746001
- Title: The Working Set of a Coding Agent: Coherence Debt in Repository-Scale Tasks
- Title（参考訳）: 符号化エージェントの作業セット:リポジトリスケールタスクにおけるコヒーレンス負債
- Abstract要約: リポジトリスケールのコーディングには、テスト、インポート、設定、マイグレーションルールを境界付けられたコンテキストウィンドウ内で一貫性を保つためのエージェントが必要である。
7つのモデルと5つのハーネスに障害を注入します。
リネームが実際のライブラリについて記憶したモデルを破ると、7つすべてが同じ場所で失敗し、同じテストがパスして失われる。
- 参考スコア（独自算出の注目度）: 14.070053515623883
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Repository-scale coding requires an agent to keep tests, imports, configuration, and migration rules consistent within a bounded context window. We model this as reconstructing a coupled-fact graph: at each edit, a required fact comes from recent context or parametric memory, and the facts covered by neither form coherence debt. We supply and withhold each channel and inject faults across seven models and five harnesses. As expected, no model completes a task on an unseen API with both channels empty, and putting the facts in the prompt restores success. When a rename defeats what models memorized about a real library, all seven fail in the same place, passing and missing the same tests. Availability decides the outcome and distance does not: withholding a fact costs exactly the work it supports, and a supplied fact works as well far from the edit as next to it. Harnesses pay unequal prices for it: configurations that all pass every test differ more than tenfold in tokens consumed because they rebuild the same content at different rates, and spending more recovers nothing when facts are withheld. A missing fact produces wrong work rather than absent work: an agent asked to act acts, fabricating the file or guessing the value, so instruments built on reads look for a hole already filled. How often it says it is blocked instead is a property of the model, from every trial to none. Availability does not settle every edit: where standard and code disagree, agents follow the standard even when it prescribes the worse code, so a stale convention file costs more than no file. Because parametric memory substitutes for reading, on SWE-bench, where models likely know the repositories, reads no longer predict success. Harnesses should keep the facts an edit depends on available when the agent writes, and check that availability against what the agent produces rather than what it reads.
- Abstract（参考訳）: リポジトリスケールのコーディングには、テスト、インポート、設定、マイグレーションルールを境界付けられたコンテキストウィンドウ内で一貫性を保つためのエージェントが必要である。
私たちはこれを、結合されたファクトグラフの再構築としてモデル化します。各編集において、要求された事実は、最近のコンテキストやパラメトリックメモリから来ており、その事実は、どちらもコヒーレンス負債を形成していません。
7つのモデルと5つのハーネスに障害を注入します。
予想通り、両方のチャネルが空の未確認APIでタスクを完了し、事実を即座に再起動するモデルはありません。
リネームが実際のライブラリについて記憶したモデルを破ると、7つすべてが同じ場所で失敗し、同じテストがパスして失われる。
アベイラビリティーは結果と距離を決定しない: 事実の維持は、それがサポートしている作業のコストを正確に抑え、供給された事実は、その隣の編集から遠く離れたところで機能する。
すべてのテストに合格する構成は、異なるレートで同じコンテンツを再構築し、事実が保持されていないときにそれ以上の費用を費やすため、10倍以上のトークンが消費される。
実行、ファイルの作成、あるいは値の推測を依頼されたエージェントが、読み取り上に構築された機器は、既に満たされている穴を探す。
その代わりにブロックされる頻度は、試行錯誤のたびに、モデルのプロパティである。
標準とコードが一致しない場合、エージェントは悪質なコードを処方しても標準に従うので、古いコンベンションファイルはファイル無しです。
パラメトリックメモリは読み取りの代用であるため、モデルがリポジトリを知っているSWE-benchでは、読み取りはもはや成功を予測しない。
Harnessesは、エージェントが書き込み時に利用可能な情報に依存している事実を維持し、エージェントが読み出すものではなく、エージェントが生成したものに対して可用性をチェックするべきである。
関連論文リスト
- SkillGLoW: Procedural-Family Skill Consolidation for Self-Improving Agents on Long-Horizon Task Streams [55.90739575113059]
再利用の欠如は、関連するタスクのクラスタによって共有される解決手順であり、その周りでSkillGLoWを構築している、と我々は主張する。
4つのベンチマーク(数学的推論、端末の自動化、ソフトウェア修復、実施制御)と3つのモデルで、前者は平均17.2ポイント(ハード)を獲得している。
論文 参考訳（メタデータ） (2026-09-02T07:31:18Z) - Belief-Calibrated Optimization: An Explicit World Model for Agentic Optimization [31.31831511580543]
本稿では,Belief-Calibrated Optimization (BCO)について述べる。
蓄積された文書が与えられた新しい予測器は、コンテンツが偽造された文書や同形コピーよりも、どのように環境がより正確に応答するかを予測する。
論文 参考訳（メタデータ） (2026-09-01T20:47:04Z) - SpecPath: Testing Coding Agents Across Contract-Equivalent Specification Histories [13.437222222971272]
仕様パスの感度は、最終的な意味において等価な要求履歴が同一のエージェントシステムに振る舞いの異なるプログラムを作成させる障害モードである。
本稿では,契約に至るリビジョンパスのみを変更しつつ,リポジトリ,最終契約,検証,エージェントシステム,実行予算を保持する診断評価であるSpecPathを紹介する。
論文 参考訳（メタデータ） (2026-08-10T16:19:00Z) - Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction [57.138342889101345]
Tencent WorkBuddy Benchは、コーディングエージェントのためのマルチドメイン評価スイートである。
本報告では, 設計手法, スコアリングプロトコル, クロスモデルリーダーボードについて述べる。
論文 参考訳（メタデータ） (2026-07-23T04:34:06Z) - TRACE: An Operational Reasoning Schema for Auditable Agentic Commitments [0.0]
TRACE (Typed Reasoning And Commitment Evidence) は、推論トレースを記録するためのタイプ付きバージョン付きスキーマである。
論文は3つのレイヤで、推論は言語モデルにはない、と論じている。
レコード消費者契約は、レコードが保証するものと、その見返りに消費者が尊重すべきものを記述する。
論文 参考訳（メタデータ） (2026-07-14T08:08:21Z) - RuBench: A Repository-Level Agentic Coding Benchmark with Natively Authored Russian Task Specifications [0.0]
RuBench 1.0は、5つのライブオープンソースリポジトリの最近の修正コミットから抽出された25のタスクのベンチマークである。
各タスクはロシア語で指定され、スクラッチから実際の顧客要求のスタイルで書かれ、翻訳されない。
25の修正コミットはすべて、評価されたモデル毎のトレーニングデータのカットオフを延期する。
論文 参考訳（メタデータ） (2026-07-07T15:41:22Z) - Can Code Specify a System Precisely Enough to Formally Verify It? [0.0]
本報告では,業務用レストラン・ポイント・オブ・セールシステムの支払ワークフローを実運用ソフトウェアで評価する。
コアプロトコルは、正確に定義された障害モデルの下で手作りのラインアクティベートされたモデルに対して正しい。
生産用サンドボックスの1つのプローブは、全リカバリはしごを到達不能にする応答形状のばらつきを露呈した。
論文 参考訳（メタデータ） (2026-07-06T13:39:00Z) - PairCoder++: Pair Programming as a Universal Paradigm for Verified Code-Driven Multimodal and Structured-Artifact Generation [51.92442051257354]
PairCoderは、実行のみではなく、完全な公式メトリックスイート上で、アーティファクトが検証可能なすべてのベンチマークを本質的に改善する。
TikZのコンパイルレートは、各モデルで10から30ポイント、シングルモデルの2.9から9.2倍である。
論文 参考訳（メタデータ） (2026-07-02T08:36:02Z) - PrefixNLI: Detecting Factual Inconsistencies as Soon as They Arise [60.63315470285562]
MiniTruePrefixesは、テキストプレフィックスよりも事実上の矛盾をよりよく検出する、新しい特殊モデルである。
制御されたデコードフレームワークにMiniTruePrefixesを組み込むことで,抽象的な要約における現実の一貫性が大幅に向上することを示す。
論文 参考訳（メタデータ） (2025-11-03T09:07:44Z) - SolBench: A Dataset and Benchmark for Evaluating Functional Correctness in Solidity Code Completion and Repair [51.0686873716938]
コード補完モデルによって生成されたSolidityスマートコントラクトの機能的正しさを評価するベンチマークであるSolBenchを紹介する。
本稿では,スマートコントラクトの機能的正当性を検証するための検索拡張コード修復フレームワークを提案する。
その結果、コード修復と検索技術は、計算コストを削減しつつ、スマートコントラクト完了の正しさを効果的に向上することを示した。
論文 参考訳（メタデータ） (2025-03-03T01:55:20Z) - Studying Large Language Model Behaviors Under Context-Memory Conflicts With Real Documents [54.953320616069654]
Retrieval-augmented Generationは、完全なパラメトリック言語モデルの多くの問題を緩和する。
RAGでは、コンテキストで提供される文書からモデルの知識を更新することができる。
本稿では,そのような知識紛争を現実的に研究するための枠組みを提案する。
論文 参考訳（メタデータ） (2024-04-24T17:59:36Z)
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。