論文の概要: Who Holds the Pen? Let Specifications, Not Agents, Sign Off

• arxiv url: http://arxiv.org/abs/2609.29921v1
• Date: Thu, 24 Sep 2026 14:55:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.032135
• Title: Who Holds the Pen? Let Specifications, Not Agents, Sign Off
• Title（参考訳）: ペンは誰が持ってる? 仕様書を提出する、エージェントではない
• Abstract要約: 大規模言語モデルエージェントは、単一のエージェントループ内で生成、意思決定、実行、自己評価をますます組み合わせている。 結果として生じるギャップは2つあります。 理解-実行ギャップは、要求が理解されているが実行時に満足していないときに生じる。 状態-権限ギャップは、エージェントの解釈または完了のクレームが要求された状態を確立しない場合に発生する。
• 参考スコア（独自算出の注目度）: 29.682011444667467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model agents increasingly combine generation, decision-making, execution, and self-evaluation within a single agentic loop. Although they operate under external specifications such as task instructions, guidelines, output schemas, and reusable skills, these specifications typically remain context for the same model that acts and declares completion, leaving no independent specification authority boundary. We identify two resulting gaps. The understanding--execution gap arises when a requirement is understood but not satisfied in execution; the state--authority gap arises when an agent's interpretation or completion claim does not establish the required state. On SkillsBench, using only agent-visible prompts, workspace information, and injected skill specifications, we extract 509 source-grounded task directions. Across seven models, only 79.6%--86.4% are satisfied, while completion-claim rates exceed official evaluator pass rates by 28.7--37.9 percentage points. We therefore separate agent proposals from authoritative state. Agents may plan, act, and request completion, but only admissible evidence from qualified providers may establish specification-governed state. SpecHarness operationalizes this principle by compiling visible specifications into source-linked obligations and governing execution and finalization through versioned obligation state. Verifiable requirements are mediated or validated at runtime, while ambiguous or subjective requirements remain advisory. Experiments on guideline-following and artifact-generation tasks show that specifications can serve not merely as behavioral guidance, but as authority over compliant execution and completion.
• Abstract（参考訳）: 大規模言語モデルエージェントは、単一のエージェントループ内で生成、意思決定、実行、自己評価をますます組み合わせている。 それらは、タスク命令、ガイドライン、出力スキーマ、再利用可能なスキルといった外部仕様の下で動作しますが、これらの仕様は通常、完了を動作し宣言する同じモデルのコンテキストのままで、独立した仕様権限の境界は残されていません。 結果として生じるギャップは2つあります。 理解-実行ギャップは、要件が理解されているが実行時に満足していないときに生じ、状態-権限ギャップは、エージェントの解釈または完了要求が要求状態を確立していないときに発生する。 SkillsBenchでは,エージェント可視のプロンプト,ワークスペース情報,インジェクションされたスキル仕様のみを用いて,509のタスク指示を抽出する。 7モデル中79.6%--86.4%しか満足していないのに対し、完成率は公式評価合格率を28.7--37.9ポイント上回っている。 したがって、エージェントの提案を権威のある状態から分離する。 エージェントは計画、行動、要求の完了を行うことができるが、資格のある提供者からの許容可能な証拠のみが、仕様に支配された状態を確立することができる。 SpecHarnessは、可視仕様をソースリンクされた義務にコンパイルし、バージョン付き義務状態を通じて実行とファイナライゼーションを管理することで、この原則を運用する。 検証可能な要件は実行時に仲介されるか、検証される。 ガイドライン追従およびアーティファクト生成タスクの実験は、仕様が単に振る舞いのガイダンスとして機能するだけでなく、準拠の実行と完了に対する権威として機能することを示しています。

関連論文リスト

• SpecPath: Testing Coding Agents Across Contract-Equivalent Specification Histories [13.437222222971272]
  仕様パスの感度は、最終的な意味において等価な要求履歴が同一のエージェントシステムに振る舞いの異なるプログラムを作成させる障害モードである。 本稿では,契約に至るリビジョンパスのみを変更しつつ,リポジトリ,最終契約,検証,エージェントシステム,実行予算を保持する診断評価であるSpecPathを紹介する。
  論文  参考訳（メタデータ） (2026-08-10T16:19:00Z)
• Context Is Not Authority: Structured Runtime Governance for Financial Market Agents [13.810351865063632]
  SAGE-Finは金融特有の権限取扱契約である。 提案を型付きアダプタバウンド候補にコンパイルする。 それは、名目上の型が消費する応答、実行、またはポリシーアダプタと一致する正確なアーティファクトレシートを必要とする。
  論文  参考訳（メタデータ） (2026-08-10T02:26:07Z)
• HANDBOOK.md: A Benchmark for Long-Context Agentic Instruction Following [0.8998688639218773]
  Handbook_mdは、従業員が会社のハンドブックに従う方法をモデル化した65のエージェントタスクのベンチマークである。 タスクは5つのドメイン(ファイナンス、医療請求、保険、物流、人事)と10の架空の会社にまたがる。 それぞれのタスクは、要求されたアクションが発生し、禁止されたアクションが起こらなかったことの両方をチェックする、プログラム的な基準のルーリックを持っています。
  論文  参考訳（メタデータ） (2026-07-28T07:58:07Z)
• SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
  SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。 行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。 Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
  論文  参考訳（メタデータ） (2026-06-12T08:20:09Z)
• VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
  本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。 VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。 Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
  論文  参考訳（メタデータ） (2026-06-03T20:02:35Z)
• What Benchmarks Don't Measure: The Case for Evaluating Abstention Competence in Autonomous Agents [2.8340200313563773]
  自律エージェントのベンチマークは、エージェントがタスクを完了したかどうかを計測するが、このフレーミングはエージェントが進むべきだったかどうかを体系的に見えない。 ヒューマンフィードバックの目的の下で訓練されたエージェントは、入力、証拠、あるいは安全に行動する許可がなくても、進行する構造的な傾向を発達させる。 本稿では,要求される情報が欠落している仕様ギャップ,世界国家が確認できない検証ギャップ,明示的な承認が与えられていない権限ギャップについて紹介する。
  論文  参考訳（メタデータ） (2026-06-01T23:52:56Z)
• OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
  OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。 我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。 我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
  論文  参考訳（メタデータ） (2025-08-07T17:54:15Z)
• Reasoning or Reciting? Exploring the Capabilities and Limitations of Language Models Through Counterfactual Tasks [71.19560970717495]
  最近の言語モデルは、幅広いタスクで印象的なパフォーマンスを示している。 これらのスキルは一般的で、移行可能か、あるいは事前トレーニング中に見られる特定のタスクに特化していますか? 本稿では,標準タスクの既定前提から逸脱する「数値的」タスク変種に基づく評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-05T17:50:42Z)

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。