論文の概要: CrossAudit: A Git-Native, Cross-Vendor Audit Loop for Agentic Science
- arxiv url: http://arxiv.org/abs/2608.28631v1
- Date: Wed, 05 Aug 2026 12:35:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-06 19:38:41.452812
- Title: CrossAudit: A Git-Native, Cross-Vendor Audit Loop for Agentic Science
- Title（参考訳）: CrossAudit: エージェントサイエンスのためのGit-Native、クロスベンダ監査ループ
- Abstract要約: CrossAuditは、自律的な研究パイプラインを監督するためのプロトコルである。
それぞれのインクリメントは、異なるベンダーのエージェントによって、人間が書いたりバージョン付けされたルールブックに対して監査される。
報告、評決、論争、裁定はgitコミットであり、監督履歴を再読して引用することができる。
- 参考スコア（独自算出の注目度）: 5.610929955077264
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An AI scientist should not grade its own homework. Yet in the systems we examined, the agent that reviews the work usually comes from the same model family as the agent that produced it, or at least from the same vendor. Model evaluators are known to favour their own generations. Whether models trained alike also share blind spots is a conjecture, not a settled finding, but if they do, the reviewer inherits the author's. The record of what was flagged and what was waved through often sits in platform logs that nobody outside can replay. We present CrossAudit, a protocol for supervising autonomous research pipelines. It rests on three commitments. Each increment of work is audited by an agent from a different vendor against a rulebook a human wrote and versioned. Reports, verdicts, disputes and rulings are git commits, so the supervision history can be re-read and cited; raw model exchanges are not yet part of that record. Scripted checks run before any model does. Advisory judgement never gates the pipeline: a model blocks only by citing a rule, and no model may waive a deterministic failure. Blockers that survive a bounded number of revision rounds go to a person. We state the protocol as eight invariants. We describe a reference implementation built from GitHub Actions and a few hundred lines of Python, and report a live deployment of a closely related variant in a computational-chemistry pipeline. We also ran a seeded-defect trial (30 increments, 43 seeded defects, one run per configuration). A cross-vendor audit of our own repository then voided its blinding. We adopt that audit's findings and report the corrected results. The trial shows that two vendors read the same rulebook differently. It does not show that either is better. The strongest evidence here is the committed, uncontrolled record of cross-vendor audits of this paper itself.
- Abstract（参考訳）: AI科学者は自分の宿題を評価すべきではない。
しかし、私たちが調べたシステムでは、作業レビューを行うエージェントは、通常、それを作成したエージェントと同じモデルファミリー、あるいは少なくとも同じベンダーから来ています。
モデル評価者は独自の世代を好むことが知られている。
訓練されたモデルも同様に盲点を共有しているかどうかは推測であり、解決された発見ではない。
フラグ付けされたことや、何に振られたかの記録は、外部の誰も再生できないプラットフォームログにしばしば置かれる。
我々は、自律的な研究パイプラインを監督するためのプロトコルであるCrossAuditを紹介する。
約束は3つある。
それぞれのインクリメントは、異なるベンダーのエージェントによって、人間が書いたりバージョン付けされたルールブックに対して監査される。
レポート、評決、論争、裁定はgitコミットであり、監督履歴の再読と引用が可能であり、生のモデル交換はまだその記録に含まれていない。
スクリプトチェックは、どのモデルよりも前に実行される。
モデルがルールを引用するだけでブロックし、決定論的失敗を放棄するモデルはない。
制限されたリビジョンラウンドを生き残るブロックは、人に渡される。
プロトコルは8つの不変量として記述する。
我々は、GitHub Actionsと数百行のPythonから構築されたリファレンス実装について説明し、計算化学パイプラインに密接に関連する変種をライブデプロイしたことを報告した。
また、シード欠陥試験(30インクリメント、43インクリメント、構成毎に1ラン)も行いました。
当社のリポジトリのクロスベンダ監査は、その盲点を無効にしました。
私たちは、その監査の結果を採用し、修正結果を報告します。
裁判では、2つのベンダーが同じルールブックを別々に読んでいることを示している。
どちらがよいかは明らかではない。
ここでの最も強い証拠は、この論文自体のクロスベンダ監査の記録が、実行され、制御されていないことである。
関連論文リスト
- Dr. Claw: An AI Scientist Workspace for Vibe Research [64.18459471289147]
Claw博士はオープンソースのワークスペースで、既存のコーディングエージェントエグゼキュータを制御可能なヒューマン・イン・ザ・ループワークフローでラップする。
永続状態オブジェクト、再利用可能なスキルライブラリ、マルチエグゼクティブコーディネーションは、人間の決定とAIの実行を結びつける。
Claw博士は、監査可能な、回復可能なプロセストレイルを維持しながら、研究の完全性により高いスコアを付けます。
論文 参考訳（メタデータ） (2026-08-31T20:58:47Z) - Where Accountability Lives: Mapping Human Responsibility to Workflow Artifacts in Agentic Software Development [0.0]
コーディングエージェントの作者、プルリクエストのオープン、プロダクションリポジトリ内のプッシュコード。
アーティファクトを残すワークフローイベント、エージェントによるコーディングツール4つ、および7つのプロバイダによるポリシー文書18つについて、それぞれについて読んでいます。
あるプロバイダは、タスクを割り当てた開発者が結果のプルリクエストを承認することを禁じる。別のプロバイダは、設定されたリスクしきい値以下でプルリクエストを承認し、レビューを無効にできるエージェントを文書化する。
我々は、強制的、助言的、欠落した検証の通常の3方向の区別をグリッドに置き換え、メカニズムがチェックを誰が実行したかで補完するかどうかを区別する。
論文 参考訳（メタデータ） (2026-08-16T11:11:04Z) - Reconcile Once, Write Anytime: A Trust-Tiered Librarian and a Multi-Agent Writer for Drift-Free, Point-in-Time Research [7.426963307811556]
本稿では,保守型ポイントインタイム知識ライブラリをレポート作成から分離する2層エージェントシステムを提案する。
ポータブルなマルチエージェント"ライター"ランタイムは、任意の知識遮断Tにおいて矛盾のないエビデンス基底レポートを構成する。
我々は,555,926枚のエビデンスカードを出力する6,130個のソースの自己収集・公開コーパスを評価した。
論文 参考訳（メタデータ） (2026-08-13T09:09:28Z) - 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) - Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families [51.56484100374058]
放棄 — モデルの拒絶方向を重みから取り除く — は、一般的な"アンセンソルド"なオープンウェイトモデルの標準的なレシピである。
ディスポジションプローブとして21,600個の決定を不確実性の下で使用し、凍結パイプラインを通じて再生することにより、決定層モデルが唯一の変数となる。
3つのエフェクトは2つのファミリーにまたがって複製される(ゼロを除く週間クラスターCI)
4つ目の効果は符号を逆転する:同じ操作によりGemmaで読み取られた方が自信が弱まり、Qwenで読み取られたものがより多くなる(ファミリーCIは重複しない)。
論文 参考訳（メタデータ） (2026-07-19T22:27:00Z) - 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) - GitOfThoughts: Version-Controlled Reasoning and Agent Memory You Can Replay, Diff, and Merge [0.02066679446411895]
エージェントの推論ツリーをgitリポジトリとして格納するGitOfThoughtsを紹介します。
評価されたすべての思考はコミットであり、スコアはノートであり、結果はタグであり、検索はエージェント自身の履歴に対して"git log"である。
これにより、ほぼゼロのエンジニアリングコストで、推論が再生可能で、監査可能で、エージェント間でマージ可能になります。
論文 参考訳（メタデータ） (2026-06-12T14:02:37Z) - CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。
CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
論文 参考訳（メタデータ） (2026-06-09T16:24:16Z) - Pramana: A Protocol-Layer Treatment of Claim Verification in Autonomous Agent Networks [0.0]
確率的検証パターン(自己整合性投票、レビュアー LLM アンサンブル)は、人工物ではなく、判断を生成する。
Pramana は、ワイヤフォーマットの欠如を定義している。すべての連続エージェント出力は、タイプ付き ClaimAttestation でラップされ、4つの変種のうちの1つでラップされる。
プラマナは3つの対称性を再現したモデル(38,563個の到達可能な状態、0個の不変な違反)でTLCの下で徹底的に検証された。
論文 参考訳（メタデータ） (2026-05-19T17:00:33Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z) - Fact Checking Beyond Training Set [64.88575826304024]
本稿では,レトリバーリーダが,あるドメインのラベル付きデータに基づいてトレーニングし,別のドメインで使用する場合,性能劣化に悩まされることを示す。
本稿では,レトリバー成分を分散シフトに対して頑健にするための逆アルゴリズムを提案する。
次に、これらのデータセットから8つの事実チェックシナリオを構築し、モデルと強力なベースラインモデルのセットを比較します。
論文 参考訳（メタデータ） (2024-03-27T15:15:14Z)
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。