論文の概要: AgentHabit: Characterizing Distinct Behaviors of Agents on Everyday Tasks

• arxiv url: http://arxiv.org/abs/2609.32795v1
• Date: Sat, 26 Sep 2026 17:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 20:12:37.80392
• Title: AgentHabit: Characterizing Distinct Behaviors of Agents on Everyday Tasks
• Title（参考訳）: AgentHabit: 日々のタスクにおけるエージェントの識別行動の特徴付け
• Abstract要約: HABITは5つのカテゴリーで23の行動軸の分類である。 AgentHABITは、各エージェントの行動傾向を、86の日常的なタスクの軌跡からプロファイルする。
• 参考スコア（独自算出の注目度）: 12.52185759403168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language model (LLM) agents assist users with everyday tasks that can be completed in many reasonable ways. Even when their answers are useful, how agents carry out these tasks may not match users' preferences and needs. For example, agents differ in whether they ask clarifying questions or search the web. We introduce HABIT, a taxonomy of 23 behavioral axes in five categories, which three authors and three LLMs derive bottom-up from 408 agent trajectories across 17 domains. On held-out tasks, HABIT distinguishes models more clearly than existing taxonomies of human values and agent actions while supporting comparably consistent annotation. Building on HABIT, we construct AgentHABIT, a benchmark that profiles each agent's behavioral tendencies from its trajectories on 86 everyday tasks. Profiling 18 models with AgentHABIT reveals a range of distinctive tendencies. For example, most GPT and Claude models state their assumptions and offer alternatives when requirements conflict, whereas Qwen and Google's models more often leave assumptions or changes to requirements unstated. These profiles remain recognizable even when built from entirely different sets of tasks, indicating that they reflect general tendencies rather than task-specific behavior. Prompting agents to adopt specific behaviors shifts some axes readily but barely changes others, while fine-tuning on another model's trajectories changes only part of a model's profile and leaves much of it intact. Overall, HABIT and AgentHABIT provide a systematic framework for characterizing how agents carry out everyday tasks beyond task success, offering insights to guide the development of agents whose behavior better fits users' needs.
• Abstract（参考訳）: 大規模言語モデル(LLM)エージェントは、多くの合理的な方法で完了可能な日常的なタスクをユーザを支援する。 たとえその回答が有用であっても、エージェントがこれらのタスクを実行する方法がユーザーの好みやニーズに合わない可能性がある。 例えば、エージェントは明確な質問をするか、ウェブを検索するかが異なる。 HABITは5つのカテゴリに23の行動軸の分類法で、3人の著者と3人のLSMが17ドメインにわたる408のエージェントトラジェクトリからボトムアップを導出する。 保持されたタスクにおいて、HABITは、比較可能な一貫性のあるアノテーションをサポートしながら、人間の価値とエージェントアクションの既存の分類体系よりも明確なモデルを区別する。 HABIT上に構築したAgentHABITは,86の日常タスクにおいて,各エージェントの行動傾向を軌跡からプロファイルするベンチマークである。 AgentHABITで18のモデルをプロファイリングすると、様々な特徴的な傾向が明らかになる。 例えば、ほとんどのGPTモデルとClaudeモデルは、要求が矛盾した場合に仮定を述べ、代替案を提供するが、QwenモデルとGoogleモデルでは、要件に仮定や変更を加えることが多い。 これらのプロファイルは、全く異なるタスクセットから構築された場合でも認識可能であり、タスク固有の振る舞いよりも一般的な傾向を反映していることを示している。 特定の振る舞いを採用するためのプロンプティングエージェントは、いくつかの軸を簡単に変更するが、他のモデルの軌道の微調整はモデルのプロファイルの一部だけを変更し、その多くをそのままにしておく。 全体として、HABITとAgentHABITは、エージェントがタスクの成功を超えて日々のタスクをどのように遂行するかを特徴付けるための体系的なフレームワークを提供する。

関連論文リスト

• Efficient Test-Time Adaptation through Human-AI Interaction [112.5131603022122]
  我々は,ヒト-エージェント間相互作用(TAHI)によるテスト時間適応を提案する。 エージェントを2つの高ユーティリティドメイン(書き込みと視覚的創造)の30人に適応させ、合計600のタスクをこなします。 エージェントは10タスク以内の単独作業の成功率を4.5-20.9%向上させる。
  論文  参考訳（メタデータ） (2026-09-03T17:33:18Z)
• From Profiling to Synthesis: Benchmarking Implicit Behavioral Alignment in Personalized LLM Agents [56.187590188698955]
  大規模言語モデルは、ますます有能な自律エージェントを可能にしてきたが、そのようなエージェントを実用的に有効にするためには、パーソナライズが不可欠である。 最近のベンチマークではエージェントのパーソナライゼーションの評価が始まっているが、それらは主に静的な選好スナップショット、固定されたインタラクションログ、あるいは事前に定義されたユーザプロファイルに対する質問応答に依存している。 縦断的相互作用履歴から構築した暗黙的行動アライメントのベンチマークであるIBA-Benchを紹介する。 IBA-Agentは、広範囲な検索と軌道レベルのアライメントを通じて競合する優先順位を調整するエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-08-03T12:52:04Z)
• How to Interpret Agent Behavior [56.59836196946289]
  本稿では,エージェントの動作を実行時に記述・解析するための分類法であるACT*ONOMYを紹介する。 共用語彙を提供することで、ACT*ONOMYは研究者、エージェントデザイナー、エンドユーザーがエージェントの振る舞いをより一貫して解釈するのに役立つ。
  論文  参考訳（メタデータ） (2026-05-13T14:52:40Z)
• Events as Triggers for Behavioral Diversity in Multi-Agent Reinforcement Learning [10.867011075689879]
  これらの振る舞い遷移を定義するために、欠けている要素は$textbfevents$である、と我々は主張する。 本稿では,エージェントを行動から分離するフレームワークを紹介し,エージェントがイベントに応答して動作をインスタンス化する連続多様体をキャプチャする。
  論文  参考訳（メタデータ） (2026-05-12T16:51:23Z)
• ClawArena: Benchmarking AI Agents in Evolving Information Environments [61.664633997138004]
  ClawArenaは、進化する情報環境におけるAIエージェントの評価のためのベンチマークである。 それぞれのシナリオは、エージェントをノイズ、部分的、時には矛盾するトレースだけに露呈しながら、完全に隠された地上の真実を維持します。 評価は、マルチソースコンフリクト推論、動的信念修正、暗黙のパーソナライゼーションという3つの複合的な課題に基づいて構成される。
  論文  参考訳（メタデータ） (2026-04-05T17:55:23Z)
• AgentIF-OneDay: A Task-level Instruction-Following Benchmark for General AI Agents in Daily Scenarios [49.90735676070039]
  持続時間と複雑さが増大するタスクを効果的に処理するAIエージェントの能力は、成長を続けている。 エージェントタスクの多様性に十分対処することなく,タスクの難易度の向上を優先している。 本稿では,自然言語命令とAIエージェントを多種多様な日常タスクに活用できるかどうかを判定するエージェントIF-OneDayを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:49:18Z)

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。