論文の概要: Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents

• arxiv url: http://arxiv.org/abs/2608.20274v1
• Date: Thu, 20 Aug 2026 17:12:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-21 20:28:51.657507
• Title: Break It Down, Pass It On: Cross-Task Skill Transfer in LLM Agents
• Title（参考訳）: LLMエージェントのクロスタスクスキル移行
• Authors: Yiyang Feng, Biddut Sarker Bijoy, Niranjan Balasubramanian, Jiawei Zhou,
• Abstract要約: 大規模言語モデル(LLM)エージェントは、完了したタスクからスキルを誘導し、後で再利用することで、より経験を積むことができる。 実際には、誘導されたスキルは信頼できない移動をし、それらを回収するエージェントを傷つけることもある。 我々は、タスク間でのスキルの伝達の仕方について、包括的で制御された研究を行う。
• 参考スコア（独自算出の注目度）: 17.291924088593408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) agents can induce skills from completed tasks and reuse them later to grow more capable with experience. In practice, induced skills may transfer unreliably and can even harm the agent that retrieves them. When agent-induced skills transfer reliably across tasks remains an open question. We conduct a comprehensive and controlled study of how the way skills are induced shapes their transfer across tasks. Specifically, we compare task-level with subtask-level skill induction and text with code skill formats, the two axes along which existing methods differ. Task-level skills mostly reduce the agent's performance below its no-memory baseline while subtask-level skills raise it above on average, and text skills transfer better than code skills. To further understand our findings, we examine two complementary properties of the induced skills: specificity, which measures how closely a skill matches real tasks, and abstractness, which measures how evenly its relevance spreads across tasks. Neither property alone predicts task success, but their combined effect does, which we propose as a skill utility score. The score correlates consistently with task success when skills are transferred, and subtask-level and text skills score higher. Computing skill utility only needs the skills and task descriptions but not any task execution, so our score serves as a practical diagnostic of a skill memory before any new task runs.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、完了したタスクからスキルを誘導し、後で再利用することで、より経験を積むことができる。 実際には、誘導されたスキルは信頼できない移動をし、それらを回収するエージェントを傷つけることもある。 エージェントによって引き起こされるスキルがタスク間で確実に伝達される場合、オープンな疑問が残る。 我々は、タスク間でのスキルの伝達の仕方について、包括的で制御された研究を行う。 具体的には,タスクレベルとサブタスクレベルのスキルインジェクション,テキストとコードスキルフォーマットを比較した。 タスクレベルのスキルは、主に非メモリベースライン以下でエージェントのパフォーマンスを低下させ、サブタスクレベルのスキルは平均より高くし、テキストスキルはコードスキルよりも優れている。 本研究は,本研究の成果を更に理解するために,実際の課題にどの程度近いかを計測する特異性と,その関連性がタスク全体に均等に広がるかを測定する抽象性という2つの相補的特性について検討した。 どちらの特性もタスクの成功を予測しないが、それらの組み合わせ効果は、スキルユーティリティスコアとして提案する。 スコアは、スキルが転送されたときのタスクの成功と一貫して相関し、サブタスクレベルとテキストスキルのスコアは高くなります。 計算スキルユーティリティは、スキルとタスク記述のみを必要とするが、タスク実行は必要としないため、新しいタスクを実行する前に、我々のスコアはスキルメモリの実用的な診断として機能する。

関連論文リスト

• SkillEval: Decomposing Agent Skill Quality into Interpretable Signals [27.757569384137767]
  textttSKILL.mdドキュメントの一般的な性質は、スキル品質において重要な役割を果たす。 SkillEvalは、制御された正負のスキルペアから、各品質特性の解釈可能な方向を学習する。 SkillEvalのスコアは下流のタスクのパフォーマンスをよく反映しており、エージェントがタスクを完了するのにスキルが役立つかどうかを早期に示す。
  論文  参考訳（メタデータ） (2026-08-07T07:25:17Z)
• SkillRise: Agentic Reinforcement Learning for Cross-Task Skill Evolution [39.74364990208475]
  大規模な言語モデルエージェントは、しばしば再利用可能なソリューションパターンを共有する、関連するが独立したタスクに遭遇する。 タスク間のスキル学習のための統合強化学習フレームワークであるSkillRiseを紹介する。
  論文  参考訳（メタデータ） (2026-07-29T11:26:33Z)
• Task Decomposition-Guided Reranking for Adaptive Agent Skill Retrieval [16.270741233471107]
  本稿では,適応型スキル選択のための推論時間更新フレームワークであるSkillRerankerを提案する。 我々は、SkillRerankerがタスク性能を効果的に改善し、環境相互作用のステップを減らし、トークン消費を減らすことを示す。
  論文  参考訳（メタデータ） (2026-07-07T13:49:08Z)
• Generative Skill Composition for LLM Agents [58.47191648555256]
  LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。 スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。 本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
  論文  参考訳（メタデータ） (2026-06-30T17:53:09Z)
• SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
  エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。 現在の技術構築手法は、問題を一発抽出として扱う。 本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
  論文  参考訳（メタデータ） (2026-06-04T12:16:08Z)
• SkillGraph: Skill-Augmented Reinforcement Learning for Agents via Evolving Skill Graphs [70.1970574147839]
  有向グラフのノードとして再利用可能なスキルを表現するフレームワークであるSKILLGRAPHを提案する。 SKILLGRAPHは個々のスキルだけでなく、多段階意思決定をガイドできる順序付きスキルサブグラフも取得する。 実験により,SKILLGRAPHはメモリ拡張RL法に対して最先端の性能を実現することが示された。
  論文  参考訳（メタデータ） (2026-05-12T12:21:49Z)
• SkillOS: Learning Skill Curation for Self-Evolving Agents [67.94374107466957]
  本稿では,自己進化エージェントのスキルキュレーションを学習するための,経験駆動型RLトレーニングレシピであるSkillOSを提案する。 SkillOSは、凍結したエージェントエグゼキュータとトレーニング可能なスキルキュレーターを組み合わせて、蓄積したエクスペリエンスから外部SkillRepoを更新する。 SkillOSは、メモリフリーと強力なメモリベースラインを、有効性と効率の両方で一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2026-05-07T17:31:50Z)
• Hierarchical Skills for Efficient Exploration [70.62309286348057]
  強化学習において、事前訓練された低レベルスキルは、探索を大幅に促進する可能性がある。 下流タスクの以前の知識は、スキルデザインにおける一般性(きめ細かい制御)と特異性(より高速な学習)の適切なバランスをとるために必要である。 教師なしの方法で様々な複雑さのスキルを習得する階層的スキル学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-20T22:29:32Z)
• Discovering Generalizable Skills via Automated Generation of Diverse Tasks [82.16392072211337]
  本稿では,多種多様なタスクの自動生成による一般化可能なスキルの発見手法を提案する。 教師なしスキル発見の先行研究とは対照的に,本手法では各スキルをトレーニング可能なタスクジェネレータが生成するユニークなタスクとペアリングする。 生成したタスクにおけるロボットの動作に定義されたタスク判別器を共同で訓練し、多様性目標の低いエビデンスを推定する。 学習スキルは階層的な強化学習アルゴリズムで構成され、目に見えない目標タスクを解決する。
  論文  参考訳（メタデータ） (2021-06-26T03:41:51Z)
• ELSIM: End-to-end learning of reusable skills through intrinsic motivation [0.0]
  本稿では、階層的に学習し、エンドツーエンドで自己生成スキルを表現する新しい強化学習アーキテクチャを提案する。 このアーキテクチャでは、エージェントは、スキルボトムアップの学習プロセスを維持しながら、タスクリワードスキルのみに焦点を当てる。
  論文  参考訳（メタデータ） (2020-06-23T11:20:46Z)

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。