論文の概要: SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness

• arxiv url: http://arxiv.org/abs/2609.20519v1
• Date: Thu, 17 Sep 2026 14:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.331034
• Title: SoL-Pi: Recursively Scaling Auto-Research Loops for Efficient Agent Harness
• Title（参考訳）: SoL-Pi: 効率的なエージェントハーネスのための再帰的な自動検索ループのスケーリング
• Abstract要約: RSIにインスパイアされたアプローチをハーネス層に導入し、多数の多様な環境にまたがって自動検索ループをスケールして、ハーネスをロールアウトします。 4つのメカニズムが選択を乗り越え、SoL-Piを形成し、アクションの実行、コンテキストのコンパクト化、監視処理、デリゲートされた読み込みを行う。 推定時給は、ネイティブのコーデックスやクロードコードと比べて8.75ドルから13.50ドル、Piと比較して4.36ドルから5.71ドルである。
• 参考スコア（独自算出の注目度）: 55.660824003457115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As coding agents move from supervised code completion to unattended, around-the-clock exploration, their work expands from isolated predictions into long trajectories of reasoning, tool use, and feedback. Token efficiency therefore becomes important for scaling recursive self-improvement. We take an RSI-inspired approach at the harness layer, scaling auto-research loops across increasingly numerous and diverse environments for harness rollouts. At this scale, the process yields reusable improvements that transfer beyond their development setting, moving automated harness discovery toward production-level outcomes. Four mechanisms survive selection and form SoL-Pi, spanning action execution, context compaction, observation handling, and delegated reading. On the 51-task EdgeBench evaluation, SoL-Pi achieves performance comparable to Pi across GPT-5.6 Sol and Opus 5 while reducing recorded token traffic by 44.7-49.0% and API cost by about one third. In other words, estimated hourly savings are \$8.75-\$13.50 relative to native Codex and Claude Code harnesses, and \$4.36-\$5.71 relative to Pi.
• Abstract（参考訳）: コーディングエージェントは、教師付きコード補完から、意図しない、時間外探索へと移行するにつれて、その作業は、独立した予測から、推論、ツールの使用、フィードバックの長い軌跡へと拡大する。 そのため、再帰的自己改善のスケーリングにおいて、トークン効率が重要となる。 RSIにインスパイアされたアプローチをハーネス層に導入し、多数の多様な環境にまたがって自動検索ループをスケールして、ハーネスをロールアウトします。 このスケールでは、プロセスは開発環境を超えて再利用可能な改善をもたらし、自動化されたハーネス発見をプロダクションレベルの結果へと移行します。 4つのメカニズムが選択を乗り越え、SoL-Piを形成し、アクションの実行、コンテキストのコンパクト化、監視処理、デリゲートされた読み込みを行う。 51タスクのEdgeBench評価では、SoL-PiはGPT-5.6ソルとOpus 5でPiに匹敵するパフォーマンスを実現し、記録されたトークントラフィックを44.7～49.0%削減し、APIコストを約3分の1削減した。 言い換えれば、時給はネイティブのCodexやClaude Codeと比較して8.75-\13.50ドル、Piに対して4.36-\5.71ドルである。

関連論文リスト

• ECHO: Early-layer Collaborative Hierarchical Orchestration with Bonus Logits in Speculative Decoding [60.34475274870224]
  ECHOは、LLM層間の機能的非対称性を利用する階層的なデュアルループフレームワークである。 インナーループ内では、アーリーレイヤのボーナスロジットは、最小限のコストで、高速で多段階のドラフトツリー探索を駆動する。 ECHOは平均的なトークンを著しく増加させ、2.4$times$2.9$times$スピードアップを達成する。
  論文  参考訳（メタデータ） (2026-09-15T14:21:33Z)
• Process Reward Informed Tree Rollout for Effective Multi-Turn RL [58.392997761968566]
  長期のエージェントタスクでは、均一なロールアウト戦略は、非形式的なデッドエンドの試みに予算を無駄にする可能性がある。 本稿では,マルチターンエージェントRLの品質を意識したロールアウトフレームワークであるProcess-Scorer Guided Adaptive Tree Rollout (PATR)を提案する。 PATRはタスクに適したプロセスフィードバックを使用して部分的軌跡をスコアし、将来性のある状態から選択的に分岐し、共有プレフィックスを再利用し、無駄なサンプリングを減らすために経路を保守的に停止する。
  論文  参考訳（メタデータ） (2026-07-17T04:16:58Z)
• 3SPO: State-Score-Supervised Policy Optimization for LLM Agents [25.01222941080024]
  動的状態スコア監視による後段ポリシー最適化を行う新しいRLアルゴリズムである textbf State-Score-Supervised Policy Optimization (3SPO) を提案する。 ALFWorld と WebShop の実験では、Qwen2.5-1.5B/7B-Instruct で 3SPO は ALFWorld で$+22.6%、WebShop で$+15.6$ で GRPO を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-06-08T14:26:05Z)
• Prune as You Generate: Online Rollout Pruning for Faster and Better RLVR [78.88799271719365]
  本稿では,オンラインロールアウトプルーニング手法であるarrol(オンラインロールアウトプルーニングによるRLVRの高速化)を紹介する。 Arrolは軽量なクオリティヘッドをオンザフライでトレーニングし、部分的なロールアウトの成功確率を予測する。 Qwen-3とLLaMA-3.2のGRPOとDAPO全体で、アロールは平均精度を+2.30から+2.99に改善し、最大1.7倍のトレーニングスピードアップを達成する。
  論文  参考訳（メタデータ） (2026-03-25T22:10:36Z)
• Stepwise Penalization for Length-Efficient Chain-of-Thought Reasoning [66.22060690012512]
  大規模な推論モデルは、より多くのテストタイム計算で改善されるが、しばしば過大評価され、正確さを向上することなくコストを上昇させる必要のない長い連鎖を生み出す。 本研究は,本質的な貢献に基づいて,ステップ間の長さ短縮を割り当てる,きめ細かいフレームワークであるSWAPを提案する。
  論文  参考訳（メタデータ） (2026-02-27T20:23:59Z)
• Quasi-Periodic Gaussian Process Predictive Iterative Learning Control [7.0206339525686055]
  反復学習制御(ILC)は、過去のイテレーションの情報を用いて、将来のイテレーションで期待されるエラーを補うことで、パフォーマンスを向上させる。 この研究は、QPGP(Quasi-Periodic Gaussian Processes)を予測ICCフレームワークに組み込んだものである。 本手法は,標準ICCと従来のGPベース予測ICCの両方を3つのタスクで比較した。
  論文  参考訳（メタデータ） (2026-02-20T06:10:10Z)
• R-Stitch: Dynamic Trajectory Stitching for Efficient Reasoning [80.104336426172]
  CoT(Chain-of- Thought)は、大規模言語モデルの問題解決能力を高める。 CoTは長い自己回帰軌道のためにかなりの推論コストを発生させる。 トレーニング不要なハイブリッドデコーディングフレームワークであるR-Stitchを紹介する。
  論文  参考訳（メタデータ） (2025-07-23T08:14:36Z)
• Thinking Before Running! Efficient Code Generation with Thorough Exploration and Optimal Refinement [47.89758553708932]
  textbfThinkCoderは、徹底的な探索と最適な精錬を組み合わせたフレームワークです。 探索フェーズは、潜在的な解を探すことによって解空間を多様化し、続いて精度を高める精製フェーズが続く。 テスト時間計算のオーバーヘッドを最小化するために、Reinforced Self-Training (ReST) を用いた優先駆動最適化を導入する。
  論文  参考訳（メタデータ） (2024-12-30T07:02:15Z)

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。