論文の概要: $τ$-Elicitation: Benchmarking multi-turn entity extraction in voice agents

• arxiv url: http://arxiv.org/abs/2609.13602v1
• Date: Fri, 11 Sep 2026 23:18:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.405873
• Title: $τ$-Elicitation: Benchmarking multi-turn entity extraction in voice agents
• Title（参考訳）: $τ$-Elicitation: 音声エージェントにおけるマルチターンエンティティ抽出のベンチマーク
• Abstract要約: 10のエンティティタイプ、制御難易度、呼び出しリアリズム、および3つの環境にまたがる200タスク音声ベンチマークを導入する。 一致したテキストエージェントがすべてのタスクをパスするが、4つの音声構成は0.14から0.41までの堅牢な正確な成功を達成する。 綴り、読み返し、修正、確認を処方する足場は、1コールあたり21秒から28秒のコストで、3ドル強のパスを14から31ポイント引き上げる。
• 参考スコア（独自算出の注目度）: 1.379154874465125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Voice agents often need to collect names, addresses, identifiers, dates, and times exactly, yet end-to-end benchmarks obscure where capture fails. We introduce $τ$-Elicitation, a 200-task voice benchmark spanning 10 entity types, controlled difficulty, caller realisms, and three environments. A matched text agent passes all tasks, but four voice configurations achieve robust exact success from 0.14 to 0.41. Agents increase verification for hard and unfamiliar entities and sometimes for incorrect captures, but not for their weakest caller voice; only 24 to 37 percent of verified errors are repaired. A scaffold that prescribes spelling, read-back, correction, and confirmation raises robust Pass$^3$ by 14 to 31 points, at a cost of 21 to 28 seconds per call. Realisms such as spelling variations and restarts do not detectably affect exact success; mispronunciation increases repair effort. These results identify strategy selection and successful recovery as the central bottlenecks in exact spoken entity collection.
• Abstract（参考訳）: ボイスエージェントは、しばしば名前、アドレス、識別子、日付、日付を正確に収集する必要があるが、キャプチャーがどこで失敗するかは、エンドツーエンドのベンチマークが不明である。 10のエンティティタイプ、制御困難、呼び出しリアリズム、および3つの環境にまたがる200タスク音声ベンチマークであるτ$-Elicitationを紹介した。 一致したテキストエージェントがすべてのタスクをパスするが、4つの音声構成は0.14から0.41までの堅牢な正確な成功を達成する。 エージェントは、ハードな不慣れなエンティティの検証を増やし、時には不正なキャプチャーを行うが、最も弱い発信者の声には当てはまらない。 綴り、読み返し、修正、確認を処方する足場は、1コールあたり21秒から28秒のコストで、堅牢なPass$3$を14から31ポイント引き上げる。 綴りのバリエーションや再起動のようなリアリズムは正確な成功には影響しない。 これらの結果から, 正確な音声エンティティ収集における中心的ボトルネックとして, 戦略選択と回復の成功が確認された。

関連論文リスト

• SpeechGym: An Audio-Native Gym for Training Voice Agents via Reinforcement Learning [24.07999549415095]
  SpeechGymは、2つのOmniモードモデルがネイティブオーディオで会話する、オーディオネイティブなエージェント環境である。 本稿では、2つのOmniモードモデルがネイティブオーディオで会話する音声ネイティブなエージェント環境であるSpeechGymを紹介する。
  論文  参考訳（メタデータ） (2026-08-26T22:16:05Z)
• SearchAuditor: Auditing and Attributing Failures in Long-Horizon Search Agents [56.400332595452966]
  我々は、監査人が検索エージェントの障害をローカライズ、属性付け、修復できるかどうかを評価するベンチマークであるSearchAuditBenchを紹介する。 SearchAuditBenchは1,243の障害トラックで構成され、平均73.1メッセージと65.1Kトークンを5つのディープサーチベンチマークで8つのオープンウェイトモデルから収集している。 本稿では,検索エージェントの障害を効果的にローカライズ,属性,修復するマルチパースペクティブ監査フレームワークであるSearchAuditorを提案する。
  論文  参考訳（メタデータ） (2026-08-05T09:09:00Z)
• Same Task, Different Work: Prompt-Induced Waste in Coding Agents [0.0]
  2つのプロンプトは、同じコード変更を要求して、同じ正しいパッチを生成することができるが、コーディングエージェントは、根本的に異なる種類の作業を実行する。 この効果を,4,644回の有効実行,24個の決定論的コーディングタスク,7つの推論モデル,および2つの実エージェントハーネスにまたがる事前登録されたベンチマークで検討した。
  論文  参考訳（メタデータ） (2026-08-02T16:10:02Z)
• ClawTrack: Towards Trace-Level Evaluation and Improvement of Real-World Autonomous Agents [23.840537431318296]
  エージェントが何を達成し、どのように達成するかを同時に測定するデュアルアセスメントベンチマークであるClawTrackを提示する。 ClawTrackは8つのドメインにわたる320のタスクと25以上の決定論的モックサービスで構成されている。 プロセスグレーダは、12,541のタスク固有の項目で固定された4次元(ゴールアライメント、効率性、情報利用、結果検証)に沿って各推論ターンをスコアする。
  論文  参考訳（メタデータ） (2026-07-30T11:18:47Z)
• Voice Memory for Agentic Speech Recognition [66.69623133635868]
  エージェント音声認識のための推論専用スキームであるVoice Memoryを提案する。 同期的に、スコア付き例は、境界編集を通じてそのファイルを更新する。 10のHyPoradiseドメインにオープン修正器、Voice Memory、重み付き単語エラー率8.36%から7.52%の10のドメインがある。
  論文  参考訳（メタデータ） (2026-07-29T02:42:56Z)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• Zero2Skill: Bootstrapping Robot Skills through Autonomous Data Collection, Training, and Deployment [53.913175773174636]
  既存のパイプラインは、自己リセット、VLM検証、言語指導による修正を通じて、人間の労力を減らす。 Zero2Skill(ゼロ2スキル)は、人ロボットの共生型エージェントシステムで、丸ごとの修正を維持・再利用する。
  論文  参考訳（メタデータ） (2026-07-15T17:16:24Z)
• Structured Feedback Improves Repair in an LLM Agent Loop [2.8890052855500143]
  LLMエージェントは、外部から候補を拒否した後で再試行されることが多いが、検証と次のモデル呼び出しの間のインターフェースは未特定のままである。 コード制御エージェントループであるVeriHarnessを導入し、モデルが候補を生成し、外部検証者が受け入れ、予算、トレースを制御する。 生の診断と、失敗位置、観測値、許容可能な代替品を識別するフィードバックを比較します。
  論文  参考訳（メタデータ） (2026-07-15T06:14:45Z)
• ScientistOne: Towards Human-Level Autonomous Research via Chain-of-Evidence [57.37494162084001]
  チェーン・オブ・エビデンス(Chain-of-Evidence, CoE)は、すべてのクレームがエビデンス・ソースにトレース可能であることを要求する検証可能なフレームワークである。 CoE Auditはポストホック監査であり、スコア検証、仕様違反、参照検証、メソッドコードアライメントという4つの整合性チェックが全システムに均一に適用される。
  論文  参考訳（メタデータ） (2026-05-25T21:30:27Z)
• AgentAtlas: Beyond Outcome Leaderboards for LLM Agents [0.025718125188898048]
  AgentAtlasは、診断語彙および監査プロトコルとしてのエージェント評価を再設定する。 i)6状態制御-決定分類(Act / Ask / Refuse / Stop / Confirm / Recover)、(ii)一次誤差源と下流衝撃を持つ軌道障害語彙、(iv)8つのモデルで評価された合成1,342-itemに関する実証的プロトコル研究。
  論文  参考訳（メタデータ） (2026-05-19T22:05:12Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Abduct, Act, Predict: Scaffolding Causal Inference for Automated Failure Attribution in Multi-Agent Systems [20.846301581161978]
  マルチエージェントシステムにおける障害帰属は、批判的だが未解決の課題である。 現在の手法では、これを長い会話ログ上のパターン認識タスクとして扱う。 A2P Scaffoldingは、パターン認識から構造化因果推論タスクへの障害帰属を変換する。
  論文  参考訳（メタデータ） (2025-09-12T16:51:15Z)

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。