論文の概要: Prime Agent: A Self-Improving RLM Harness

• arxiv url: http://arxiv.org/abs/2608.23552v1
• Date: Mon, 24 Aug 2026 17:54:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:44.229874
• Title: Prime Agent: A Self-Improving RLM Harness
• Title（参考訳）: プライムエージェント:自己改善型RLMハーネス
• Authors: Seth Karten, Alex L. Zhang, Kevin Thomas, Sebastian Müller, Elie Bakouch, Daniel Auras, Mika Senghaas, Fares Obeid, Konstantin Dunas, Johannes Hagemann, Sami Jaghouar,
• Abstract要約: Prime Agentは、長期評価とコーディングエージェントのためのオープンソースのハーネスである。 ストラテジ構築をモデルに残しながら、実行、リカバリ、検証、リソース会計を標準化する。 Prime AgentはARC-AGI-3 RHAE Best@1を30%から95.5%に引き上げ、ネイティブやポピュラーなハーネスを超えている。
• 参考スコア（独自算出の注目度）: 5.540645425386541
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language models are sequential processors, but long-horizon agency requires external information and computation beyond model weights and active context. Prime Agent is an open-source harness for long-horizon evaluation and coding-agent workflows. A persistent IPython REPL follows the Recursive Language Model abstraction for programmatic context processing and test-time compute, while Continual Harness preserves histories, memories, skills, prompts, and subagent specifications across trajectories. Recursive subagents coordinate through direct agent-to-agent communication, and the Agents View lets humans inspect and manage daemon-backed sessions. Prime Agent standardizes execution, recovery, verification, and resource accounting while leaving strategy construction to the model. This low-friction, expressive membrane prevents harness failures from becoming model failures and pushes measurement toward the model's true maximal underlying capability. Prime Agent raises ARC-AGI-3 RHAE Best@1 from 30% to 95.5% and matches or exceeds native and popular harnesses across long-context coding, GPU-kernel generation, emulator construction, and autonomous nanoGPT speedruns. On Factorio, we find refinement allows for continuous technology progression and dedicated subagents enable parallelized work. Code is available at https://github.com/PrimeIntellect-ai/prime-agent.
• Abstract（参考訳）: 言語モデルはシーケンシャルプロセッサであるが、ロングホライゾンエージェンシーは、モデルウェイトとアクティブコンテキストを超えた外部情報と計算を必要とする。 Prime Agentは、長期評価とコーディングエージェントワークフローのためのオープンソースのハーネスである。 永続的なIPython REPLは、プログラムコンテキスト処理とテスト時間計算のための再帰言語モデルの抽象化に従っており、Continual Harnessは履歴、記憶、スキル、プロンプト、サブエージェント仕様をトラジェクトリにわたって保存する。 再帰的なサブエージェントは直接エージェントとエージェントのコミュニケーションを通じてコーディネートし、エージェントビューは人間がデーモンが支援するセッションを検査し管理する。 Prime Agentは、モデルに戦略構築を残しながら、実行、リカバリ、検証、リソース会計を標準化する。 この低摩擦で表現力のある膜は、ハーネスの故障がモデル故障になるのを防ぎ、測定をモデルの真の最大の基盤能力に向けて進める。 Prime AgentはARC-AGI-3 RHAE Best@1を30%から95.5%に引き上げ、長文符号化、GPUカーネル生成、エミュレータ構築、自律ナノGPTスピードランにまたがるネイティブおよびポピュラーなハーネスにマッチまたは超えている。 Factorioでは、改良によって継続的技術の進歩が可能となり、専用のサブエージェントが並列処理を可能にします。 コードはhttps://github.com/PrimeIntellect-ai/prime-agent.comから入手できる。

関連論文リスト

• The Meta-Agent Challenge: Are Current Agents Capable of Autonomous Agent Development? [80.24951682268332]
  本稿では,自律エージェント開発のためのフロンティアモデルのキャパシティをテストするための評価フレームワークであるMeta-Agent Challenge(MAC)を紹介する。 評価の整合性を確保するため、このフレームワークは報奨ハッキングに対する多層防御によって確保される。 メタエージェントは人間工学的な基本方針とほとんど一致せず、その一部はプロプライエタリなフロンティアモデルに支配されている。
  論文  参考訳（メタデータ） (2026-06-03T04:58:17Z)
• Terminus-4B: Can a Smaller Model Replace Frontier LLMs at Agentic Execution Tasks? [3.636948650519796]
  スモール言語モデル(SLM)はエージェント端末実行のタスクにおいてフロンティアモデルに匹敵する性能を達成できる。 教師付ファインタニング(SFT)と強化学習(RL)による訓練後Qwen3-4BモデルであるTerminus-4Bを提案する。 Terminus-4Bは、No Subagentベースラインと比較して、メインエージェントのトークン使用量を最大30%削減できることがわかった。
  論文  参考訳（メタデータ） (2026-05-04T22:24:24Z)
• Exploring the Agentic Frontier of Verilog Code Generation [21.677000877812063]
  本稿では,Verilog 生成のためのエージェント LLM を初めて体系的に評価する。 構造化プロンプトとツール設計がパフォーマンスに与える影響について検討する。 オープンソースモデルとクローズドソースモデルのパフォーマンスギャップは、より高いクラッシュ率とより弱いツール出力の解釈によって引き起こされる。
  論文  参考訳（メタデータ） (2026-03-19T16:48:19Z)
• AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
  AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。 各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。 シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
  論文  参考訳（メタデータ） (2026-02-03T19:18:28Z)
• AgentMesh: A Cooperative Multi-Agent Generative AI Framework for Software Development Automation [0.0]
  ソフトウェア開発タスクの自動化に複数のLCMエージェントを併用したPythonベースのフレームワークを提案する。 AgentMeshでは、Planner、Coder、Debugger、Reviewerといった特殊なエージェントが協力して、ハイレベルな要件を完全に実現されたコードに変換する。
  論文  参考訳（メタデータ） (2025-07-26T10:10:02Z)
• R&D-Agent: An LLM-Agent Framework Towards Autonomous Data Science [70.1638335489284]
  高レベルの機械学習エンジニアリングタスクは、労働集約的で反復的である。 機械学習プロセスを形式化する包括的で分離されたフレームワークであるR&D-Agentを紹介します。 R&D-AgentはMLEを2つのフェーズと6つのコンポーネントに定義し、MLEのエージェント設計を原則としてテスト可能なプロセスに変える。
  論文  参考訳（メタデータ） (2025-05-20T06:07:00Z)
• Agents: An Open-source Framework for Autonomous Language Agents [98.91085725608917]
  我々は、言語エージェントを人工知能への有望な方向と見なしている。 Agentsはオープンソースライブラリで、これらの進歩を広く非専門的な聴衆に開放することを目的としています。
  論文  参考訳（メタデータ） (2023-09-14T17:18:25Z)

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。