論文の概要: An Architecture for Long-Horizon Agents: Levels, Ticks and Cascaded Intelligence

• arxiv url: http://arxiv.org/abs/2609.19519v1
• Date: Thu, 17 Sep 2026 00:15:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.035942
• Title: An Architecture for Long-Horizon Agents: Levels, Ticks and Cascaded Intelligence
• Title（参考訳）: 長距離エージェントのためのアーキテクチャ:レベル、ディック、カスケードインテリジェンス
• Abstract要約: 我々は、長い水平エージェントは、継続的に学習する前に忘れずに継続的に実行しなければならないと論じる。 この機能は、モデル自体ではなく、モデルを取り巻くハーネスにあります。 本研究では,このアーキテクチャ上に構築されたエージェントが1日に1回,人間による強化学習結果を再現する10日間のキャンペーンについて報告する。
• 参考スコア（独自算出の注目度）: 6.642618901867675
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Language-model agents are increasingly asked to carry out work spanning days or weeks, such as an operations remediation or a research programme. Such a task outlives any context window, any process and any interval at which a person can attend. In this paper, we argue that a long-horizon agent must run continually without forgetting before it can learn continually. This ability lies in the harness around the model rather than in the model itself. We derive seven bottlenecks from the long-horizon setting and answer them with a hierarchical architecture of three parts: (i) levels indexed by time scale, each keeping a bounded file summarising the level below; (ii) a clocked tick as the unit of autonomous action; and (iii) cascaded intelligence, where work is escalated to a more capable model only after failing review. We report on a ten-day campaign in which an agent built on this architecture reproduced a published reinforcement-learning result with a human attending once a day, and show (1) the agent kept the thread across every context reset and session boundary of the campaign, (2) operating knowledge written early changed later behaviour with no change to model weights, and (3) where learned components would enter such a system. Overall, our experience suggests continual learning for these agents needs a substrate outliving every context and process, and the checks the harness already runs are where a learner belongs.
• Abstract（参考訳）: 言語モデルエージェントは、オペレーションの修復や研究プログラムなど、数日から数週間にわたる作業の実施をますます求められている。 このようなタスクは、コンテキストウィンドウ、どんなプロセスでも、そして人が参加できる間隔でも、より長生きする。 本稿では,長期間のエージェントは,学習する前に忘れずに連続的に動作しなければならないことを論じる。 この機能は、モデル自体ではなく、モデルを取り巻くハーネスにあります。 長い水平配置から7つのボトルネックを導き出し、3つの部分からなる階層的なアーキテクチャで答えます。 i) 時間スケールでインデックスされたレベル。それぞれが下記のレベルを要約した有界ファイルを保持する。 二 自律行動の単位としての時計付くちばし (三 レビューの失敗後のみ、作業がより有能なモデルにエスカレートされるカスケードインテリジェンス。) 本稿では,本アーキテクチャを基盤としたエージェントが,1日に1回,人間による強化学習結果を再現した10日間のキャンペーンについて報告する。(1) エージェントは,キャンペーンのコンテキストリセットとセッション境界をまたいでスレッドを保持し,(2) 初期変更後の動作をモデル重みを変更することなく操作知識を初期変更し,(3) 学習コンポーネントをそのようなシステムに入力する,という10日間のキャンペーンについて報告する。 全体としては、これらのエージェントに対する継続的な学習には、すべてのコンテキストとプロセスよりも優れた基板が必要であり、すでに使用済みのチェックは学習者が属する場所にあることを示唆しています。

関連論文リスト

• Don't Blame the Large Language Model: How Scaffolding Evolution Shapes Coding Agent Quality [13.474716644621735]
  5つの主要なオープンソース足場の開発とリリースの進化について検討する。 Qwen Code CLIの35のシーケンシャルリリースを評価し、エージェントの有効性と効率への影響を測定した。
  論文  参考訳（メタデータ） (2026-07-04T03:55:25Z)
• From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
  本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。 まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。 次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
  論文  参考訳（メタデータ） (2026-06-14T05:40:16Z)
• SearchSwarm: Towards Delegation Intelligence in Agentic LLMs for Long-Horizon Deep Research [17.956691114919987]
  大規模言語モデルは、複雑で長期の現実世界のタスクを扱うことがますます期待されている。 本稿では, 深層調査を対象とする予備調査を, 代表的な長期エージェントタスクとして提示する。 我々は,高品質なタスク分解とデリゲートに向けてモデルをガイドするハーネスを設計し,サブエージェントに適切な結果を返すよう制約する。 我々のモデルである SearchSwarm-30B-A3B は BrowseComp で68.1 、BrowseComp-ZH で73.3 を達成している。
  論文  参考訳（メタデータ） (2026-06-08T16:52:26Z)
• The Digital Apprentice: A Framework for Human-Directed Agentic AI Development [0.0]
  我々は,自律性を前提とせず,スケーラブルで安全なAIエージェンシーのためのフレームワークを提案する。 デジタル・アレンティス(Digital Apprentice)は、人間の暗黙の方法論を内包する発達学習者である。 我々は,データドリフトを捕捉し,実行時に異なる手法を適用することによって,トラフィックシフト時の品質の劣化を回復する方法を示す。
  論文  参考訳（メタデータ） (2026-06-03T00:49:13Z)
• AgentOdyssey: Open-Ended Long-Horizon Text Game Generation for Test-Time Continual Learning Agents [50.667928258781934]
  我々はAgentOdysseyを紹介した。AgentOdysseyは、リッチエンティティ、ワールドダイナミクス、ロングホライゾンタスクを備えたオープンエンドテキストゲームを手続き的に生成する新しい評価フレームワークである。 ゲーム進行だけでなく、世界知識獲得、エピソード記憶、オブジェクトとアクションの探索、アクションの多様性、モデルコストの診断テストも提供する多面的評価手法を提案する。 実験の結果、エージェントのキー能力の限界と、その意味のある地平線に影響を与える要因が明らかになった。
  論文  参考訳（メタデータ） (2026-05-29T22:40:51Z)
• From Model Scaling to System Scaling: Scaling the Harness in Agentic AI [4.802305157491253]
  本稿では,エージェントAIの次なるボトルネックをシステムスケーリングとして検討する。 我々は、このシフトをハーネスのスケーリングと呼び、基礎モデルを取り巻く構造化された実行層を設計、評価、最適化の第一級のオブジェクトとして扱います。 私たちの主張では、エージェントAIの今後の進歩は、より強力な基礎モデルと同じくらい、システム設計に依存します。
  論文  参考訳（メタデータ） (2026-05-25T17:59:36Z)
• Sensi: Learn One Thing at a Time -- Curriculum-Based Test-Time Learning for LLM Game Agents [0.0]
  本稿では、ARC-AGI-3ゲームプレイングチャレンジのためのエージェントアーキテクチャであるSensiを紹介し、構造化されたテスト時間学習を導入する。 Sensi v1は2つのプレイヤーアーキテクチャだけで2つのゲームレベルを解き、Sensi v2はカリキュラム学習を追加し、0レベルを解いた。
  論文  参考訳（メタデータ） (2026-03-18T12:59:26Z)
• Reusable Architecture Growth for Continual Stereo Matching [92.36221737921274]
  我々は、教師付きおよび自己監督型の両方で、新しいシーンを継続的に学習するための、再利用可能なアーキテクチャ成長(RAG)フレームワークを紹介します。 RAGは、前のユニットを再利用し、良好な性能を得ることにより、成長中の高い再利用性を維持することができる。 また、推論時にシーン固有のアーキテクチャパスを適応的に選択するScene Routerモジュールを提案する。
  論文  参考訳（メタデータ） (2024-03-30T13:24:58Z)
• Don't Copy the Teacher: Data and Model Challenges in Embodied Dialogue [92.01165203498299]
  後続の身体的対話命令は、自然言語交換から複雑なタスクのシーケンスを完了させるエージェントを必要とする。 本稿では,模倣学習(IL)と関連する低レベルメトリクスが,実際には誤解を招くものであり,具体的対話研究の目標と一致していないことを論じる。
  論文  参考訳（メタデータ） (2022-10-10T05:51:40Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。