論文の概要: Opera: A Verbal Critic Framework for Long-horizon Coding Agents

• arxiv url: http://arxiv.org/abs/2609.33987v1
• Date: Sun, 27 Sep 2026 22:42:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 08:03:44.704946
• Title: Opera: A Verbal Critic Framework for Long-horizon Coding Agents
• Title（参考訳）: Opera: 長距離符号化エージェントのための言語批判フレームワーク
• Abstract要約: 本稿では,各修正を永続的なノートとして扱う言語批判フレームワークであるOperaについて紹介する。 Operaは、周期的およびイベント駆動のトリガを通じていつレビューするかを決定し、型付きオペレーターと問題を診断し、配信前に可視的な証拠に対するフィードバックを監査し、エージェントのその後のアクションを追跡して、単なるコンプライアンスと実際の解決を区別する。
• 参考スコア（独自算出の注目度）: 74.58337827299496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon coding agents need timely corrections, yet feedback can be ineffective or even harmful when it misjudges ongoing work or fails to address the underlying problem. Existing critics focus on evaluating trajectories and generating feedback, but rarely track what happens after feedback is delivered. We present Opera, a verbal critic framework that treats each correction as a persistent note, followed until the diagnosed problem is resolved. Opera decides when to review through periodic and event-driven triggers, diagnoses issues with typed operators, audits feedback against visible evidence before delivery, and tracks the agent's subsequent actions to distinguish mere compliance from actual resolution. As a test-time critic, Opera improves the resolve rate of non-critic agents by up to 12.4, 15.0, and 8.9 percentage points on Terminal-Bench 2.1, a SWE-Bench Pro subset, and DeepSWE v1.1, respectively, across four policy models, and achieves the highest mean resolve rate among competitive critic baselines on all three benchmarks, and also improves policy models when the policy critiques itself. Beyond inference, Opera-guided rollouts provide approximately on-policy training data: fine-tuning Qwen3.5-9B on them improves its resolve rate on held-out SWE-Bench Pro repositories by 10.2 percentage points without a critic at inference time, matching fine-tuning on rollouts from a stronger model, while preserving its performance when switching harness, i.e., from Openhands to Terminus-2, which the latter substantially degrades.
• Abstract（参考訳）: ロングホライゾンコーディングエージェントは、タイムリーな修正を必要とするが、フィードバックが進行中の作業を誤解したり、根底にある問題に対処できない場合には、効果がない、あるいは有害な場合もある。 既存の批評家は、軌道を評価し、フィードバックを生成することに重点を置いているが、フィードバックが届けられた後に何が起こるかを追跡することは滅多にない。 本稿では,各修正を永続的なノートとして扱う言語批判フレームワークであるOperaについて紹介する。 Operaは、周期的およびイベント駆動のトリガを通じていつレビューするかを決定し、型付きオペレーターと問題を診断し、配信前に可視的な証拠に対するフィードバックを監査し、エージェントのその後のアクションを追跡して、単なるコンプライアンスと実際の解決を区別する。 テストタイムの批評家として、Operaは4つの政策モデルにおいて、ターミナル・ベンチ2.1、SWE-ベンチプロサブセット、ディープSWE v1.1における、批判的でないエージェントの解決率を最大12.4、15.0、および8.9ポイント改善し、3つのベンチマークの競争的批評家の基準の中で最高平均的な解決率を達成するとともに、ポリシーがそれ自身を批判するときにポリシーモデルを改善する。 細調整のQwen3.5-9Bは、推測時間に評論家がいない状態で、保持されているSWE-Bench Proレポジトリの分解率を10.2ポイント改善し、より強力なモデルからのロールアウトを微調整する一方で、ハーネスをOpenhandsからTerminus-2に切り替える際のパフォーマンスを保っている。

関連論文リスト

• CARE-VI: Conservative Adaptive Reliability Estimation for Value Improvement in Off-Policy Actor-Critic Learning [9.09344103114193]
  我々は、保守的適応ランク付け・スクリーニング(CARS)とセレクタ・評価値アセスメント(SEVA)を開発する。 DAREは、候補信頼性、セレクタと評価器信号のギャップ、および有限ステージ係数を用いて、各残差補正を規制する。 CARE-VIは、批評家のレグレッションとアクターのアップデートのためのバックボーンインターフェースを保存するエビデンス規制されたターゲット構築フレームワークである。
  論文  参考訳（メタデータ） (2026-09-17T11:59:43Z)
• CAST: Critique-Aware Supervision for Training Reliable Long-Horizon Tool-Calling Agents [66.9575676266637]
  大規模言語モデル(LLM)エージェントは、長期的、インタラクティブでステートフルな環境にますますデプロイされている。 これらの設定では、間違った購入を返金するなどの1つの間違ったアクションは、不可逆なタスクの失敗を引き起こし、実行前にインターセプトされなければならない。 CASTは、スパースタスクの結果を批判学習と政策最適化のためのアクションレベル監視に変換する、批判に意識したトレーニングフレームワークである。
  論文  参考訳（メタデータ） (2026-08-31T01:59:51Z)
• A History-Aware Visually Grounded Critic for Computer Use Agents [70.50900668601969]
  HiViGは、実際のGUIトラジェクトリで訓練されたマルチモーダル批評家を中心に構築されたテストタイムフレームワークである。 テスト時には、HiViGは批判者をポリシー決定ループに統合し、マクロアクション履歴を提供する。 Visually Grounded critiqueは、現在のスクリーンショットに対する生の実行座標を検証して、実行前にエラーをインターセプトする。
  論文  参考訳（メタデータ） (2026-06-09T16:39:10Z)
• Reinforced Agent: Inference-Time Feedback for Tool-Calling Agents [6.158612515104146]
  エージェントフィードバックとレビュアーフィードバックのトレードオフを測定するために、ヘルプフルネス・ハームフルネスメトリクスを導入します。 我々はBFCLとTau2-Bench(マルチターンステートフルシナリオ)に対するアプローチを評価し、無関係検出では+5.5%、マルチターンタスクでは+7.1%を達成した。 GPT-4oでは,評価モデルo3-miniが3:1の利益率と2.1:1の利益率を達成した。
  論文  参考訳（メタデータ） (2026-04-29T22:09:47Z)
• A Rubric-Supervised Critic from Sparse Real-World Outcomes [87.11204512676193]
  現実のコーディングエージェントは、成功信号がノイズが多く、遅延し、スパースであるループで人間と動作します。 本稿では,RLに基づくトレーニングや推論時間スケーリングの報奨モデルとして,スパースとノイズの相互作用データから"批判的"モデルを学習するプロセスを提案する。
  論文  参考訳（メタデータ） (2026-03-04T07:23:54Z)
• On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
  エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。 推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。 本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
  論文  参考訳（メタデータ） (2025-04-02T17:40:47Z)

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。