論文の概要: The Missing Complement: State-Conditioned Minimal Sufficient Evidence for Coding Agents
- arxiv url: http://arxiv.org/abs/2609.20050v1
- Date: Thu, 17 Sep 2026 10:56:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:54.236118
- Title: The Missing Complement: State-Conditioned Minimal Sufficient Evidence for Coding Agents
- Title（参考訳）: 不足補遺: コーディングエージェントにおける状態条件付最小証拠
- Abstract要約: 捕獲されたエージェントの状態が与えられた場合、次の決定を支援するためのコンパクトなエビデンスの組み合わせは依然として欠落している。
SERBenchは45のリポジトリから保持された500の状態を計測し、エージェントが見たことを記録し、現在の決定が要求されるすべての事実をカバーするセットのみをクレジットする。
キャリブレーションデータに固定された1つの構成では、これらの状態の73.0%が5つの項目で、80.6%が8つの項目で、61.4%と72.4%が再ランク付けされたQwen3埋め込みである。
- 参考スコア（独自算出の注目度）: 26.90440158198578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A coding agent halfway through an issue has already read much of what a retriever ranks highest. Relevance is scored per passage, but sufficiency belongs to the set: a ranker can fill its budget with variants of one required fact and leave the decision unsupported. We formulate state-conditioned minimal sufficient evidence recovery: given a captured agent state, recover a compact evidence combination that supplies the support its next decision still lacks. SERBench measures this on 500 held-out states from 45 repositories, recording what the agent has seen and crediting only sets that cover every fact the current decision was annotated to require. MSS-Complement treats acquisition as set construction, not ranking. Three semantic calls propose a jointly sufficient set, search for what it lacks, and return 4-8 intact source units within 6,144 tokens. One configuration, fixed on calibration data, recovers a complete set for 73.0% of those states at five items and 80.6% at eight, against 61.4% and 72.4% for Qwen3 embedding with reranking. A matched control ranking by similarity alone reaches 66.6%, placing the gain in the set-level policy, not the computation. From frozen repository source with no gold-derived pool, the lead is 5.0 points. On AMA-Bench it answers from a 76.2% smaller answer prompt, with accuracy 2.08 points above that benchmark's own memory agent. Removing one required group from an otherwise complete set costs 12.3 and 11.1 points of repair-localization precision under two executors. Retrieval for agents is better posed as recovering what a decision lacks than re-ranking what an issue resembles.
- Abstract（参考訳）: 問題の途中のコーディングエージェントは、すでにレトリバーのランクが一番高いものを読んでいる。
ローダーはその予算を1つの要求された事実の変種で満たし、決定が支持されないままにすることができる。
確保されたエージェントの状態が与えられた場合、次の決定を下すためのコンパクトなエビデンスの組み合わせを回復します。
SERBenchは45のリポジトリから保持された500の状態を計測し、エージェントが見たことを記録し、現在の決定が要求されるすべての事実をカバーするセットのみをクレジットする。
MSS-Complementは、買収をランキングではなく、セット構築として扱う。
3つのセマンティックコールは、共同で十分なセットを提案し、それが欠けているものを検索し、6,144トークン内に4-8個の無傷なソースユニットを返す。
キャリブレーションデータに固定された1つの構成では、これらの状態の73.0%が5つの項目で、80.6%が8つの項目で、61.4%と72.4%が再ランク付けされたQwen3埋め込みである。
類似性による一致した制御ランキングは66.6%に達し、計算ではなく設定レベルポリシーで利得が与えられる。
金由来のプールを持たない凍結したリポジトリソースから、リードは5.0ポイントである。
AMA-Benchでは76.2%の回答プロンプトから回答し、精度はベンチマークのメモリエージェントよりも2.08ポイント高い。
必要なグループを1つ取り除いた場合、2つの実行者の下で12.3および11.1ポイントの修理局所化精度がかかる。
エージェントの検索は、問題がどのように見えるかを再度ランク付けするよりも、決定に欠けているものを回復する方がよい。
関連論文リスト
- The Complexity Kink: A Prompt-Side Structural Complexity Index for Code-Generation Reliability [0.3186130813218338]
6次元のプロンプト側構造複雑度指数は、生成前にスコアし、正確性から分離する。
予備的なシングルラタールーブリックの6つのバンドで5,000のPythonプロンプトを選択します。
人間の合意は穏健であり、不一致に富んだ校正セットに依存している。
論文 参考訳（メタデータ） (2026-09-17T03:07:39Z) - An Empirical Evaluation of Cost-Efficient Large Language Models on Algorithmic Programming Tasks [0.0]
38.4%のメソッドは返却した値を計算せず、返却された回答の12.9%のみが正しい。
結果クラスの条件は、応答の信頼性と正しさが逆関係であることを示しているが、真の計算方法が最も多く答えられ、19.3%が正しかった。
論文 参考訳（メタデータ） (2026-09-16T02:55:03Z) - MemToC: Benchmarking Memory-Tool Conflict Resolution in Large Language Models [49.47300047353726]
MemToCは、実行時ツールによるポストツール-リターン仲裁のベンチマークである。
MemToCは、542の質制御された事実質問から構築された6,504回の評価エピソードで構成されている。
オープンウェイトな7-9Bモデルでは、ツールが強く支配的なクローズドブックの回答を返す。
論文 参考訳（メタデータ） (2026-08-26T18:22:03Z) - Governance at the Boundary: How Agent Decomposition Degrades Policy Compliance [6.411104724993454]
金融エージェントの統治可能性のベンチマークであるFiducia-benchを紹介します。
エージェントは、そのガバナンスを劣化させるのか?
あるコンポーネントによって発見されたポリシー関連事実は、それらに作用しなければならないコンポーネントに到達する前に、ハンドオフ境界で減衰される。
論文 参考訳（メタデータ） (2026-08-17T03:31:59Z) - The Recall Trap: A Recall-Maximizing Retriever Configuration Reduces Issue Resolution in Fixed-Budget Code Context [45.88028371034407]
コード修復における制御ケーススタディを報告し,新しい現象ではない。
私たちは、同じスタック上の1つのフラグ(1チャンク毎の重複)を切り替えます。
BM25(3.2pp、重要なパラダイム間相互作用)を逆転させる。
厳格な固定予算では、ファイルごとのハードダイドプリケートや、タスクに対するA/Bパッケージングポリシは、メトリックフラグを調整しないことが示されます。
論文 参考訳（メタデータ） (2026-08-14T19:22:50Z) - DarwinX: Evolving Agent Harnesses Through Natural Selection [48.64258219266629]
ダーウィンXは自己進化を、モデルが凍結されたハーネスの集団の選択として扱う。
一般的なエージェント能力はベンチマーク固有のパッチではなく、タスク、検証、ベースモデルの変更を生き残る。
論文 参考訳（メタデータ） (2026-07-31T05:34:02Z) - Agent Retrieval Bench: Evaluating Repository Context Retrieval for Coding Agents [8.81342573156581]
Agent Retrieval Benchはこの上流検索問題のファイルレベルベンチマークである。
ベンチマークでは、code2test、 comment2context、 trace2code、Edit2rippleの4つの肯定的なタスクがカバーされている。
コーパスには308のベースコミットスナップショット、392,000ファイル、7.9百万チャンクが含まれている。
論文 参考訳（メタデータ） (2026-07-27T09:39:09Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Step-wise Rubric Rewards for LLM Reasoning [72.17879367869503]
RLVR(Reinforcement Learning with Verifiable Rewards)は、大規模言語モデルの推論を改善するために広く使われている。
正しい回答の18.2%は間違っているが、肯定的な報酬がある。
6つの数学的推論ベンチマークで、SRaRはRaRの平均精度を3.57ポイント改善した。
論文 参考訳（メタデータ） (2026-05-17T07:08:14Z) - Property-Level Reconstructability of Agent Decisions: An Anchor-Level Pilot Across Vendor SDK Adapter Regimes [0.0]
筆者らは,6つの公開ベンダSDKレポジトリのピン付きワークサンプルアンカーに未修正のDecision Trace Reconstructorを適用した。
各決定イベント(DES)プロパティは、完全な充足可能、部分的に充足可能、構造的に充足不能、不透明に分類される。
論文 参考訳（メタデータ） (2026-05-12T13:05:02Z) - 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)
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。