論文の概要: Read Less, Solve More: Token-Efficient Sparse Reading for AI Agents

• arxiv url: http://arxiv.org/abs/2608.22237v1
• Date: Sun, 23 Aug 2026 06:24:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.660949
• Title: Read Less, Solve More: Token-Efficient Sparse Reading for AI Agents
• Title（参考訳）: AIエージェントのためのToken-Efficient Sparse Reading
• Abstract要約: ロングホライゾンエージェントは、外部のアーティファクトへの繰り返しアクセスに依存する傾向にあるが、現在の読み取りインタフェースは、スパースエビデンスしか必要としない場合でも、オブジェクト全体を露出することが多い。 我々は、不要な証拠がモデルコンテキストに到達する前に、コンテンツ入力を制御する、トレーニング不要で、モデル透過的な読み出し層であるSparseReadを紹介する。
• 参考スコア（独自算出の注目度）: 10.290282716108214
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon agents increasingly rely on repeated access to external artifacts, yet current reading interfaces often expose entire objects even when only sparse evidence is needed. This over-reading increases token and latency costs and can dilute task-relevant evidence, while existing context-reduction methods mainly intervene after broad content has already entered the trajectory. We present SparseRead, a training-free, model-transparent reading layer that controls content admission before unnecessary evidence reaches the model context. SparseRead combines a regime-aware Read Gate, extensible Reader Backends, and a stateful protocol for bounded, source-anchored evidence acquisition with explicit refinement, verification, stopping, and fallback. Across six frontier models, including Claude Opus 5, and five workload scenarios, SparseRead reduces token volume by up to 92.9% and wall time by up to 89.0%, while preserving or improving task quality. Its consistent gains across three agent frameworks further demonstrate broad portability.
• Abstract（参考訳）: ロングホライゾンエージェントは、外部のアーティファクトへの繰り返しアクセスに依存する傾向にあるが、現在の読み取りインタフェースは、スパースエビデンスしか必要としない場合でも、オブジェクト全体を露出することが多い。 このオーバーリーディングはトークンとレイテンシのコストを増大させ、タスク関連エビデンスを減らし、一方、既存のコンテキスト推論手法は、広範コンテンツがすでに軌道に入った後、主に介入する。 我々は、不要な証拠がモデルコンテキストに到達する前に、コンテンツ入力を制御する、トレーニング不要で、モデル透過的な読み出し層であるSparseReadを紹介する。 SparseReadは、レシシック対応のRead Gate、拡張可能なRead Backends、および、明示的な洗練、検証、停止、フォールバックを備えた、バウンダリでソース対応のエビデンス獲得のためのステートフルプロトコルを組み合わせたものだ。 Claude Opus 5を含む6つのフロンティアモデルと5つのワークロードシナリオで、SparseReadはトークンのボリュームを最大92.9%削減し、ウォールタイムを最大89.0%削減し、タスク品質を保存または改善している。 3つのエージェントフレームワークで一貫した利得は、より広範なポータビリティを示している。

関連論文リスト

• VideoScout: Learning Agentic Active Exploration with Adaptive Reasoning Pacing for Long Video Understanding [61.00809248898572]
  ロングビデオ理解(英: Long video understanding)とは、エージェントが時間軸に沿って回転してビデオを読み取る問題である。 適応推論によるSEAパラダイムをインスタンス化するマルチターン推論エージェントである textbfVideoScout を提案する。 長いビデオ理解と推論のベンチマーク実験により、我々の7Bモデルは、既存の訓練された7Bエージェントモデルと比較して、強い性能を発揮することが示された。
  論文  参考訳（メタデータ） (2026-09-14T14:04:03Z)
• PARSER: Read in Parallel, Reason in Depth for Long-Context LLM Agents [85.82624962221026]
  本稿では、読みを推論から切り離すPARSERを紹介する。 単一のチャンクにバインドされた軽量サブエージェントのバンクは、ドキュメント全体を並列に読み取る。 7Kから896Kまでのコンテキストを持つマルチホップQAでは、4Bバックボーンを持つPARSERが最強のシーケンシャルメモリベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-06T16:19:01Z)
• Fetch-then-Explore: Decoupling Selection from Extraction over a Persistent Workspace for Search Agents [60.97609995940902]
  検索エージェントに対して textbfFetch-then-Explore を提案する。 ページ選択とエビデンス抽出を分離し、選択したものを保持する。 これは、すべてのバックボーンでBrowseCompの精度を導き、一般的にWideSearchのベースラインと一致するか、超える。
  論文  参考訳（メタデータ） (2026-08-03T11:58:21Z)
• Is Progressive Disclosure All You Need for Long-Context Agents? [6.214989743502112]
  Agentic AIはより広範な選択肢を提案し、エージェントにドキュメントパスを与え、読み方と読み方を決定する。 Agent Skills – エージェントに専門知識をパッケージングするための標準で、要求に応じてロードし、プログレッシブ開示という、準備の整ったメカニズムを提供する。 原文書ナビゲーションとエージェントスキルパックのいくつかの設計を古典的ハイブリッドレトリバーと比較し,このパターンを初めて制御した研究を行った。
  論文  参考訳（メタデータ） (2026-07-20T06:35:32Z)
• AGORA: An Archive-Grounded Benchmark for Agentic Workplace Document Reasoning [52.23991730630292]
  大規模言語モデルは、パラメトリックな知識から答えるのではなく、文書を推論するエージェントとして、ますます多くデプロイされている。 大規模な、散らかった職場ファイルの集合にスパース証拠を配置し、一貫性のない用語、単位、時間規則を調整し、答えを計算する。 私たちは、362の質問と9,664の認証ドキュメントと372Mのトークンの8つのドメインコレクションをペアリングするベンチマークであるAgoraを紹介します。
  論文  参考訳（メタデータ） (2026-06-23T12:57:18Z)
• READER: Robust Evidence-based Authorship Decoding via Extracted Representations [28.346447904547556]
  我々は動的ブラックボックス LLM Provenance について検討し、クエリが変化し、未定義のプロンプトによって引き起こされる世代からソース LLM を同定する。 本稿では,フリーズプロキシ LLM を隠されたオーサシップ証拠の読者として扱う軽量な証明フレームワーク READER を紹介する。 Agent500では、エージェントスタイルのプロンプトから構築された50ターゲットのデータセットが、単一のレスポンスから31.0$-42.4%$トップ1の精度で、50レスポンスから70.0$-84.0%$に達する。
  論文  参考訳（メタデータ） (2026-06-09T12:43:49Z)
• ALDEN: Reinforcement Learning for Active Navigation and Evidence Gathering in Long Documents [17.497004687630742]
  視覚言語モデル(VLM)は、テキストリッチな画像の解釈に優れるが、長い、視覚的に複雑な文書に苦しむ。 対話型エージェントとしてVLMを微調整する多ターン強化学習フレームワークであるActive Long-DocumEnt Navigation (ALDEN)を提案する。
  論文  参考訳（メタデータ） (2025-10-29T16:32:26Z)
• Beyond Next Token Probabilities: Learnable, Fast Detection of Hallucinations and Data Contamination on LLM Output Distributions [60.43398881149664]
  LLM出力シグナチャの効率的な符号化を訓練した軽量アテンションベースアーキテクチャであるLOS-Netを紹介する。 非常に低い検出レイテンシを維持しながら、さまざまなベンチマークやLLMで優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-18T09:04:37Z)
• Infinite Retrieval: Attention Enhanced LLMs in Long-Context Processing [19.577278316436807]
  大きな言語モデル(LLM)はコンテキストウィンドウサイズによって制限される。 そこで本研究では,LLM自体の注意情報を利用して正確な検索を行う手法を提案する。 InfiniRetriは0.5Bパラメータモデルを用いて、1Mトークン上でのNeedle-In-a-Haystack(NIH)テストで100%精度を達成する。
  論文  参考訳（メタデータ） (2025-02-18T15:45:36Z)
• Pause-Tuning for Long-Context Comprehension: A Lightweight Approach to LLM Attention Recalibration [4.7429246847107835]
  本稿では,長文入力の理解を深めるために注意を喚起する手法である停止チューニングを導入する。 提案手法では,ポーズトークンを人工的に挿入したデータセット上での言語モデルを微調整する。 本稿では,Needle-in-a-Haystackベンチマークを用いて,代替手法に対する停止チューニングを評価する。
  論文  参考訳（メタデータ） (2025-02-01T21:47:15Z)
• FABLES: Evaluating faithfulness and content selection in book-length summarization [55.50680057160788]
  本稿では,本書の忠実度と内容選択の大規模評価を行う。 LLMが生成した26冊のサマリーで作成した3,158冊の注釈のデータセットであるFABLESを5.2KUSDで収集する。 注釈の分析によると、ほとんどの不誠実な主張は出来事や登場人物の状態に関係しており、物語を無効にするために間接的推論を必要とする。
  論文  参考訳（メタデータ） (2024-04-01T17:33:38Z)
• TextMonkey: An OCR-Free Large Multimodal Model for Understanding Document [60.01330653769726]
  テキスト中心タスクに適した大規模マルチモーダルモデル(LMM)であるTextMonkeyを提案する。 ゼロ初期化によるシフトウィンドウアテンションの導入により、高い入力解像度でクロスウィンドウ接続を実現する。 テキストスポッティングとグラウンド化を包含する能力を拡張し、位置情報を応答に組み込むことで、解釈可能性を高める。
  論文  参考訳（メタデータ） (2024-03-07T13:16:24Z)

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。