論文の概要: PluginRSI: Recursive Improvement of Agent Harnesses with Reusable Plugins

• arxiv url: http://arxiv.org/abs/2609.32423v1
• Date: Sat, 26 Sep 2026 09:49:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-07 09:18:22.124687
• Title: PluginRSI: Recursive Improvement of Agent Harnesses with Reusable Plugins
• Title（参考訳）: PluginRSI: 再利用可能なプラグインによるエージェントハーネスの再帰的改善
• Abstract要約: 我々は,これらのプラグインの周辺で,アトム化プラグインの構成要素としてハーネスを表現し,ハーネスの進化を組織化するRSIを紹介する。 RSIは、ソフトウェアエンジニアリング、コマンドラインインタラクション、質問応答タスクにまたがる既存の最適化手法を改善する。
• 参考スコア（独自算出の注目度）: 24.764078103217532
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The harness surrounding a language model is a central determinant of agent performance. Recent methods optimize harnesses by searching over complete programs, where individual mechanisms are difficult to isolate and reuse. We introduce PluginRSI, which represents a harness as a composition of atomized plugins and organizes harness evolution around these plugins. Individual plugins are improved independently and accumulated in a shared library, then recombined into new harnesses at each iteration. PluginRSI improves over existing harness optimization methods across software engineering, command-line interaction, and question-answering tasks. The resulting harnesses retain their advantage when transferred to other solver models without further optimization. The evolved plugin library accelerates subsequent optimization from the initial harness, which helps faster and higher convergence on unseen tasks. These results show that accumulating reusable mechanisms provides an effective basis for continued harness improvement.
• Abstract（参考訳）: 言語モデルを取り巻くハーネスは、エージェントのパフォーマンスの中心的な決定要因である。 近年の手法では、個々のメカニズムの分離や再利用が困難なプログラムを探索することで、効率を最適化している。 このプラグインは、アトム化プラグインのコンポジションとしてハーネスを表現し、これらのプラグインを囲むハーネスの進化を組織化します。 個々のプラグインは独立して改善され、共有ライブラリに蓄積され、各イテレーションで新しいハーネスに再結合される。 PluginRSIは、ソフトウェアエンジニアリング、コマンドラインインタラクション、質問応答タスクにまたがる既存の最適化手法を改善する。 結果として得られるハーネスは、さらなる最適化なしに他のソルバモデルに転送される際の利点を保っている。 進化したプラグインライブラリは、初期ハーネスからその後の最適化を加速する。 これらの結果から, 再利用可能な機構の蓄積は, 継続的なハーネス改善の有効な基盤となることが示唆された。

関連論文リスト

• AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces [61.51487329124135]
  AutoSaddlerは、オフラインの学習問題として改善を活用するフレームワークである。 ミニバッチからの障害信号を使用して、ハーネスを反復的に更新する。 GAIA2, SWE-Bench Pro, Terminal-Bench 2.0 の実験により, AutoSaddler はエージェント性能を大幅に向上することが示された。
  論文  参考訳（メタデータ） (2026-08-24T09:45:08Z)
• HarnessOpt-Bench: Evaluating LLMs at Harness Optimization [3.846854817984248]
  高価な評価体制下でのエンド・ツー・エンドのハーネス最適化のためのベンチマークを導入する。 信頼された実行環境は、評価境界、ターゲットエージェントリソースの使用を強制し、監査のための候補バージョンを保存する。 実験結果から、モデルはコードハーネスよりも分離され、ネイティブハーネスは一貫して優れておらず、タスク間で利得が大きく異なることがわかった。
  論文  参考訳（メタデータ） (2026-08-06T17:21:05Z)
• Automated Discovery Has No Universally Superior Harness [63.53666712024897]
  我々はOpenEvolveスタイルの進化的探索とTT-Discoverサーチハーネスを構成成分に分解する。 12組のモデルプロブレムペアで30個の予算整合ハーネスを評価した。
  論文  参考訳（メタデータ） (2026-07-20T17:59:37Z)
• Co-Harness: Co-Evolving Harnesses and Model Weights for LLM Agents [37.91666123749406]
  Co-Harnessは、ポストトレーニング中にエージェントハーネスとモデルパラメータを共同で最適化するフレームワークである。 自律的なケーススタディによると、Co-Harnessはシステムのクラッシュから回復し、推論効率を改善し、人間の介入なしにアンサンブル戦略を発見することができる。
  論文  参考訳（メタデータ） (2026-07-17T02:39:57Z)
• HarnessX: A Composable, Adaptive, and Evolvable Agent Harness Foundry [35.87794858139959]
  HarnessXは、構成可能、適応可能、進化可能なエージェントハーネス用のファウンダリーである。 型付きハーネスプリミティブを置換代数学で組み立て、AIGISを介して適応する。 軌道をハーネス更新とモデルトレーニング信号の両方に変換することでハーネスモデルループを閉じる。
  論文  参考訳（メタデータ） (2026-06-12T08:27:11Z)
• Evolving Agents in the Dark: Retrospective Harness Optimization via Self-Preference [51.55077364626896]
  本稿では,過去の軌道のみを用いたエージェント・ハーネスを最適化する自己教師型手法であるRetrospective Harness Optimization (RHO)を紹介する。 RHOは、過去の軌跡から様々な課題のコアセットを選択し、それらを並列に解決する。 1回の最適化ラウンドでは、SWE-Bench Proのパスレートが59%から78%に向上する。
  論文  参考訳（メタデータ） (2026-06-04T09:26:00Z)
• Performance Embeddings: A Similarity-based Approach to Automatic Performance Optimization [71.69092462147292]
  パフォーマンス埋め込みは、アプリケーション間でパフォーマンスチューニングの知識伝達を可能にする。 本研究では, 深層ニューラルネットワーク, 密度およびスパース線形代数合成, および数値風速予測ステンシルのケーススタディにおいて, この伝達チューニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-14T15:51:35Z)
• Matrix Completion via Non-Convex Relaxation and Adaptive Correlation Learning [90.8576971748142]
  閉形式解によって最適化できる新しいサロゲートを開発する。 そこで我々は, 上向きの相関関係を利用して, 適応的相関学習モデルを構築した。
  論文  参考訳（メタデータ） (2022-03-04T08:50:50Z)

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。