論文の概要: TwinCheck: Evidence-Grounded Negative-Twin Verification for Stateful Tool Agents
- arxiv url: http://arxiv.org/abs/2609.26911v1
- Date: Tue, 22 Sep 2026 18:09:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.720235
- Title: TwinCheck: Evidence-Grounded Negative-Twin Verification for Stateful Tool Agents
- Title（参考訳）: TwinCheck: ステートフルなツールエージェントの検証
- Abstract要約: TwinCheckは、トレースがトレースローカル障害仮説に結びついている証拠条件を満たす場合にのみ、置換を検討するポリシーである。
ペア評価の場合、正確なリプレイはエージェントのパースされた応答とアクションを保持し、最初の置換が受け入れられるまで固定される。
- 参考スコア（独自算出の注目度）: 1.1279808969568255
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: A single locally plausible tool call can derail an otherwise successful agent trajectory. Suspicion alone does not justify intervention, because the replacement itself can introduce the very failure verification is meant to prevent. We introduce TwinCheck, an inference-time verification policy that considers replacement only when the trace satisfies an evidence condition tied to a trace-local failure hypothesis. It constructs a trace-grounded counterfactual alternative, a negative twin, and replaces the agent's proposal only if the twin passes structural checks and the pairwise verifier prefers it in both candidate orders. For paired evaluation, exact replay holds the agent's parsed responses and actions fixed until the first accepted replacement, separating intervention effects from resampling. In the primary analysis of 159 multi-turn BFCL V4 tasks with complete exact-replay pairs, the complete policy raises task success for GPT-5.6 Sol from 45.3% to 58.5% (95% task-bootstrap CI [8.2, 18.8]), with no observed success-to-failure regressions. Together, these findings recast execution-boundary repair as a constrained comparison, making the counterfactual action itself the object of verification.
- Abstract（参考訳）: ローカルでもっともらしい1つのツールコールは、他の方法で成功したエージェントの軌道を脱線させることができる。
代替手段自体が、失敗の確認が防ぐために導入される可能性があるため、疑念だけでは介入を正当化しない。
TwinCheckは、トレースがトレースローカル障害仮説に結びついている証拠条件を満たす場合にのみ、置換を検討する推論時検証ポリシーである。
トレース・グラウンドの対実的な代替案である負のツインを構築し、ツインが構造チェックをパスし、ペアワイズ検証器が両方の候補順序でそれを好む場合にのみエージェントの提案を置き換える。
ペア評価において、正確なリプレイは、エージェントのパースされた応答と、最初の置換が受け入れられるまで固定されたアクションを保持し、介入効果を再サンプリングから分離する。
159のマルチターンBFCL V4タスクと完全な完全再現ペアの一次解析において、完全なポリシーはGPT-5.6ソルのタスク成功を45.3%から58.5%(95%タスクブートストラップCI [8.2, 18.8])に引き上げる。
これらの知見は, 実行境界修復を制約された比較として再評価し, 反事実的行為自体を検証の対象とした。
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) - Cross-View Correspondence Is a Measurement Intervention: Two-Sided Validation for Agent Evaluation and Credit Assignment [3.2479665905442645]
クロスビュー対応は、エージェントの評価やクレジットの割り当てがポイントの結論を支持する前に、宣言、検証、不確実性に伝播されなければならない。
本研究では,2側によるニュアンス除去と応答保存の検証,下流の結論のオールオプティマ同定,有効性確立後の不確実性伝播の3つの要素による妥当性理論と監査を開発する。
論文 参考訳（メタデータ） (2026-08-18T12:39:21Z) - ATOBench: Tracing How Autonomous Penetration-Testing Agents Verify Vulnerabilities When Target Evidence Lies [10.386774449787948]
偽装応答は、攻撃軌跡とエージェントの検証プロセスの両方をリダイレクトすることができる。
本稿では,この検証プロセスを観測可能な評価フレームワークであるATOBenchを紹介する。
論文 参考訳（メタデータ） (2026-08-13T09:20:45Z) - Independent Patch Verification for Coding Agents with a Bidirectional Reconstruct-and-Verify Framework [49.16055123488827]
大規模言語モデルを利用したコーディングエージェントは、バグレポートから直接コードパッチを生成することができる。
報告された問題を真に解決するかどうかを独立に検証するメカニズムは存在しない。
本稿では,RETRACE をトレーニング不要なポストジェネレーション検証フレームワークとして提案する。
論文 参考訳（メタデータ） (2026-08-09T22:59:13Z) - From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。
生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。
本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T13:37:38Z) - ExComm: Exploration-Stage Communication for Error-Resilient Agentic Test-Time Scaling [57.42714978834704]
ExCommは、探索段階のエージェントテストタイムスケーリングのための通信プロトコルである。
ExCommは、強いテスト時間スケーリングベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-05-21T07:38:44Z) - Verify-Gated Completion as Admission Control in a Governed Multi-Agent Runtime: A Bounded Architecture Case Study [0.6875312133832079]
制御されたマルチエージェントランタイムの入出力制御パターンとして,検証ゲート補完について検討する。
観測条件下では,読み取り専用検証ゲートとパケット化入力記録が検査可能で,フェールクロースされた。
論文 参考訳（メタデータ） (2026-05-18T07:52:13Z) - Preventing the Collapse of Peer Review Requires Verification-First AI [49.995126139461085]
我々は、真理結合、すなわち、過度に科学的真理をトラックする場所のスコアの厳密さを提案する。
プロキシ・ソブリン評価に向けた相転移を駆動する2つの力の形式化を行う。
論文 参考訳（メタデータ） (2026-01-23T17:17:32Z) - 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)
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。