論文の概要: State-Grounded Conditioning: Wrapping User-Facing LLM Agents Where Direction Depends on Live State

• arxiv url: http://arxiv.org/abs/2609.27606v1
• Date: Wed, 23 Sep 2026 09:26:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.967384
• Title: State-Grounded Conditioning: Wrapping User-Facing LLM Agents Where Direction Depends on Live State
• Title（参考訳）: State-Grounded Conditioning: ディレクションがライブステートに依存するユーザファクタLDMエージェントをラッピングする
• Abstract要約: State-Grounded Conditioningは、状態依存制御を構造化された入力と3つのプライマリステートスライス上のルールカーネルに外部化する。 ゲーム内対話型コーチングエージェントから200セッションのベンチマークでSGCを評価する。
• 参考スコア（独自算出の注目度）: 21.02064571802426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce State-Grounded Conditioning (SGC), a design principle for user-facing LLM agents that must condition on live user state (game state, session history, live inventory), and a distinct failure class we call direction drift: task-complete responses whose chosen direction misaligns with the current state. SGC externalises state-dependent control into rule kernels over structured inputs and three primary state slices, via Perception, Grounding, and Interaction wrappers with explicit conditioning dependencies. We evaluate SGC on a 200-session anonymised benchmark ($\approx$1,000 assistant model turns) from an in-game conversational coaching agent that guides players through consecutive competitive matches, reporting mean first-token latency and five human-annotated dialogue-quality metrics that jointly cover factual grounding and coach-like guidance progression. The Perception wrapper holds mean first-token latency at 1.5s (vs. 6.1s for PE-Agent inside a production tool-use harness); enabling all three wrappers lifts turn-level grounded accuracy from 61.1%/69.8% (Prompting / PE-Agent) to 96.7% and session-level grounded accuracy from 20.0%/26.5% to 83.5%; session-level grounding-failure incidents drop by $\approx$78% relative to the strongest baseline. A cumulative ablation shows complementary incremental gains as the wrappers are added. These results inform approximate state-slice orthogonality, without establishing independent per-wrapper effects.
• Abstract（参考訳）: 本稿では,ユーザ向けLCMエージェントの設計原則であるState-Grounded Conditioning(SGC)と,選択した方向が現在の状態と不一致であるタスク完全応答(タスク完全応答)について紹介する。 SGCは、構造化された入力とパーセプション、グラウンド、インターオペラビリティラッパーによる3つのプライマリステートスライスに対して、ステート依存の制御をルールカーネルに外部化する。 SGCを200セッションの匿名化ベンチマーク(1000ドルのアシスタント・モデル・ターン)で評価し、ゲーム内対話型コーチングエージェントを用いてプレイヤーを連続的な競争試合を通じて誘導し、平均的なファースト・トーケン・レイテンシと、現実的なグラウンドとコーチライクなガイダンスを共同でカバーする5つの人手による対話品質指標を報告した。 パーセプション・ラッパーは1.5秒(プロダクション・ツール・ハーネス内のPE-Agentのvs.6.1s)で平均1段階のレイテンシを持ち、3つのラッパーはいずれも61.1%/69.8%(プロンプティング/PE-Agent)から96.7%、セッションレベルでは20.0%/26.5%から83.5%、セッションレベルのグラウンド・フェイル・インシデントは最強ベースラインに対して$\approx$78%まで低下する。 累積アブレーションは、ラッパーを追加すると相補的な増分ゲインを示す。 これらの結果は、独立したラッパー効果を確立せずに、ほぼ正統性を示す。

関連論文リスト

• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• State of Thought Enables Endogenous Reasoning [48.902117018115256]
  大規模言語モデル(LLM)の能力向上のための主要なアプローチとして、テスト時推論が登場した。 LLMにおける内在的推論を可能にする新しい推論パラダイムであるState of Thoughtを提案する。 SoTは平均ベースライン精度を一貫して改善し,生成トークンを62.6%,エンドツーエンドのレイテンシを44.6%削減した。
  論文  参考訳（メタデータ） (2026-09-13T05:55:03Z)
• Target-Independent Micro-Interventions for Predicting Training Response Across Language-Model Families [6.314493350744026]
  ベンチマークスコアは、現在チェックポイントに何ができるかを記述しているが、次のトレーニングエピソードにどのように反応するかは定かではない。 同じチェックポイントから4つの短い、標準化された、ターゲット非依存のマイクロインターベンションを分岐することで、この欠落状態を測定する。 パルスブロックはフレキシブルな直接読み出しと構造保存演算子読み出しをサポートする。
  論文  参考訳（メタデータ） (2026-09-08T11:54:09Z)
• GenCoord: Skill-Path Commitments under Private Information [3.5348314201494517]
  GenCoordを紹介します。これは、そのようなプライベートな事実のタスクの結果を、実行可能なスキルパスのコミットメントに変換するものです。 ローカルQwen3.5-0.8Bモデルは、複数ステップのSELFプランとピアREQを出力する。 3つの独立して訓練された種子の中で、正しい能力フィードバックは、ペア化された局所情報ギャップを50%から100%に閉じる。
  論文  参考訳（メタデータ） (2026-08-22T17:41:25Z)
• ACCORD: Action-Conditioned Contextual Grounding for Language Agents [69.73525608707764]
  ACCORD(Action-Conditioned Contextual Grounding)は、適応的なグラウンドのためのエージェントフレームワークである。 現状のエージェントは、しばしばそうすることができないことを示す。それらは、観察された特定の情報よりもむしろ仮定から行動し、収集した可能性のある情報を見落とし、既に返された証拠を組み込むことに失敗する。
  論文  参考訳（メタデータ） (2026-06-15T09:05:55Z)
• Verifier-First Evaluation of Agentic LLMs for Infrastructure-as-Code Generation [0.0]
  自然言語からインフラストラクチャ・アズ・コード(IaC)を生成するには、プロバイダのスキーマ、依存関係の計画、組織的なポリシの制約を満たす必要がある。 Rego v1ポリシを備えた186タスクのAWS/TerraformベンチマークであるIaC-Eval v2で評価されたTerraform生成のための7つのエージェント戦略に関する検証初の実験的研究を示す。
  論文  参考訳（メタデータ） (2026-05-29T12:43:27Z)
• Human-Inspired Memory Architecture for LLM Agents [0.9507070656654629]
  6つの認知機構からなる生体記憶アーキテクチャを提案する。 各メカニズムは、単純メモリ蓄積の特定の障害モードに対処する。 S層スケール(50セッション)では、デダップベースのコンソリデーションにより、好みのリコールが+13.3pp向上する。
  論文  参考訳（メタデータ） (2026-05-08T22:52:37Z)
• MindGames Arena Generalization Track: In2AI Solution with Delayed Per-Step Reward Attribution [45.957713330643934]
  マルチエージェント戦略相互作用のための言語モデルエージェントの訓練は、中核的な困難をもたらす。 標準的な強化学習では、報酬は各ステップで割り当てられると仮定しているが、この仮定は時間とエージェントの間で結果が絡み合っている環境では失敗する。 我々は,段階ごとの報酬帰属の遅れに,適度ゲーティング,エピソードライフサイクル,後処理パイプラインを導入している。
  論文  参考訳（メタデータ） (2026-04-13T23:59:03Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)

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。