論文の概要: How Do Agent Harnesses Create Value? Planning Information and Release Control in Stateful LLM Agents

• arxiv url: http://arxiv.org/abs/2609.20474v1
• Date: Thu, 17 Sep 2026 14:30:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.322781
• Title: How Do Agent Harnesses Create Value? Planning Information and Release Control in Stateful LLM Agents
• Title（参考訳）: エージェントはどのように価値を生み出すか? : ステートフルLLMエージェントの計画情報とリリース制御
• Abstract要約: エージェントは、供給計画のガイダンス、実行の組織化、完了確認を利用する。 2つのRetail実験と2ドルのAirlineパイロット実験において、これらのコンポーネントが成功、誤った受け入れ、コストにどのように影響するかを調査する。
• 参考スコア（独自算出の注目度）: 4.026212304760799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Agent harnesses supply planning guidance, organize execution, and check completion. We study how these components affect success, erroneous acceptance, and cost in two Retail experiments and an Airline pilot in $τ^2$-bench. The primary comparison pairs prewritten task-specific plans (Fixed) with shuffled policy text matched in word count (Sham), isolating the contribution of guidance content. Across 265 matched cells, Fixed improves oracle-verified success by 7.17 percentage points (90\% task-clustered bootstrap interval, 1.15--13.36 points), with gains concentrated in higher-complexity tasks. A read-only terminal verifier rejects 61\% of Retail oracle-invalid episodes while withholding 17\% of correct ones, at less than one cent of additional cost per episode. Which component matters more depends on the loss assigned to erroneous acceptance: at low liability the planning gain dominates; at high liability the verifier's avoided false passes dominate---and a standalone verifier captures nearly all the false-pass benefit of the full planning-plus-verification stack at a fraction of its cost.
• Abstract（参考訳）: エージェントは、供給計画のガイダンス、実行の組織化、完了確認を利用する。 2つのリテール実験と1つのAirlineパイロットが$τ^2$-benchで行う場合,これらのコンポーネントが成功,誤った受け入れ,コストにどのように影響するかを検討する。 一次比較ペアは、事前に書かれたタスク固有の計画(Fixed)と、単語カウント(Sham)で一致したシャッフルされたポリシーテキストとを照合し、ガイダンスコンテンツのコントリビューションを分離する。 265個以上の細胞が一致し、Fixedはオラクル認定成功率を7.17ポイント(タスククラスタ化ブートストラップ間隔90\%、1.15-13.36ポイント)改善し、高複雑さタスクに集中している。 読み取り専用端末検証器は、リテール・オラクレ・無効エピソードの61%を拒絶し、正しいエピソードの17パーセントを1回当たり追加コストの1パーセント未満で保持する。 低い責任では計画ゲインが支配的であり、高い責任では検証者の回避された偽パスが支配的であり、スタンドアローンの検証者は、計画+検証スタックの完全な偽パスの利点をそのコストのごく一部で取得する。

関連論文リスト

• Engineering Reliable Commit Gates for Agentic AI: Cost-Aware Verification Portfolios under Common-Mode Data Failures [4.287745257410248]
  コスト対応コミットゲートのランタイム保証ベンチマークを提案する。 48のタスクテンプレートは、6つの障害レジームで2,880のシナリオを生成する。 結果は明確なエビデンスライン、コストアウェアの選択、コミットタイムの実施を動機付けます。
  論文  参考訳（メタデータ） (2026-09-10T01:42:40Z)
• Fresh Memory, Stale Plans: Dependency-Scoped Validation for Distributed LLM-Agent Memory [29.800883966590007]
  PlanFenceは依存性スコープによるアクション検証プロトコルである。 一方、PlanFenceは無効なアクションなしですべてのタスクを完了します。
  論文  参考訳（メタデータ） (2026-09-03T03:56:15Z)
• Task-CoEvolve: Efficient Harness Optimization via Adaptive Validation Task Selection [51.39973047614183]
  本稿では,適応型検証タスク選択によるLLMの効率向上のための新しい手法を提案する。 $textbfTask-CoEvolve$.textbfTask-CoEvolve$.textbfTask-CoEvolve$.textbfTaskは、情報的タスクの選択と、部分的な評価からフルセットのパフォーマンスの推定という2つの課題に対処することで、ハーネスでバリデーションタスクを共進化させる。
  論文  参考訳（メタデータ） (2026-08-20T15:24:54Z)
• Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents [15.526916927007049]
  LLMエージェントは、選択のための自然言語記述と計画のための教示体を使用して、ますますサードパーティのスキルに依存している。 Convergent Detour Hijacking(CDH)を紹介します。 複数 LLM バックエンドと 491 のホールドアウトタスクを単一タスクおよび複数ターン条件下で評価した。
  論文  参考訳（メタデータ） (2026-08-12T17:12:49Z)
• Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution [1.733151600403503]
  大規模言語モデル(LLM)エージェントは、ますます多段階のエンジニアリングと情報処理を自動化する。 彼らはしばしば、最大コンテキストファーストの戦略に従い、ファイルや依存関係を読み取り、一行の編集を小さなコードベースの監査に切り替える。 タスク対応型実行-スコープ推定の欠如を論じる。
  論文  参考訳（メタデータ） (2026-07-14T17:59:31Z)
• Survive or Collapse: The Asymmetric Roles of Data Gating and Reward Grounding in Self-Play RL [76.45061154544568]
  セルフプレイ強化学習は、言語モデルを独自の生成タスクで訓練し、人間ラベルなしでプロジェクタとソルバを共進化させる。 最近のシステムでは強い推理効果が報告されているが、崩壊と不安定性は広く観察され、理解されていない。 代わりに、自己プレイの安定性は、提案者生成タスクがトレーニングプールに入るかを判断するデータレベルゲートと、すでに認められたタスクに関するポリシーを更新する報酬信号の2つの異なるレバーによって管理されていると論じる。
  論文  参考訳（メタデータ） (2026-05-21T09:19:23Z)
• From Patches to Trajectories: Privileged Process Supervision for Software-Engineering Agents [56.31499185764872]
  教師の長い軌道上の監督された微調整(SFT)は、オープンソフトウェアエンジニアリング(SWE)エージェントに調査と推論を浸透させる主要な方法である。 本稿では,P2T (Patches-to-Trajectories) を提案する。P2T (Patches-to-Trajectories) は,P2T (Patches-to-Trajectories) において,P2T (Patches-to-Trajectories) とP2T (Patches-to-Trajectories) の2つの最適化法である。
  論文  参考訳（メタデータ） (2026-05-21T04:54:55Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• SABER: Small Actions, Big Errors -- Safeguarding Mutating Steps in LLM Agents [52.20768003832476]
  我々は$$-Bench (Airline/Retail) および SWE-Bench Verified 上での実行トレースを分析する。 成功を失敗に戻すための、先進的な逸脱、最初期の行動、レベル分岐を形式化する。 モデルに依存しない,勾配のない,テスト時のセーフガードである cm を導入します。
  論文  参考訳（メタデータ） (2025-11-26T01:28:22Z)

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。