論文の概要: The Last Mile Is the File: OfficeEditBench for Preservation-Aware Office Editing

• arxiv url: http://arxiv.org/abs/2609.34469v1
• Date: Mon, 28 Sep 2026 07:25:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 13:17:56.37419
• Title: The Last Mile Is the File: OfficeEditBench for Preservation-Aware Office Editing
• Title（参考訳）: ファイルの最後のマイル:OfficeEditBench for Preservation-Aware Office Editing
• Abstract要約: OfficeEditBenchは、スプレッドシート、プレゼンテーション、ドキュメントの変更スコープによるメンテナンスのための170タスクのベンチマークである。 我々は,凍結自動判定と人間の受容性とを区別しながら,メンテナンスの失敗を分析した。
• 参考スコア（独自算出の注目度）: 0.02546411901419288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A small Office edit creates two obligations: propagate every required update and leave protected state untouched. Updating too little leaves dependencies inconsistent; updating too much changes content the user did not authorize. We introduce OfficeEditBench, a 170-task benchmark for change-scoped maintenance of spreadsheets, presentations, and documents. Task contracts specify required updates, protected state, native structures, and applicable interaction requirements. Across 510 archived task-system outcomes from WorkBuddy, Doubao, and Codex, we distinguish file delivery, target completion, and verifier-defined acceptance. Hard package-valid delivery ranges from 92% to 100%, yet no selected output satisfies the complete contract. Case analysis highlights why local correctness is insufficient: an updated value can lose its generating formula, a revised rule can fail to reach related conclusions, and a new deadline can omit a retained prerequisite. These mechanisms connect artifact-level checks to the continued maintainability of Office files. We analyze maintenance failures while distinguishing frozen automatic verdicts from human acceptability. OfficeEditBench provides a testbed for completing required changes while preserving the logic and scope of existing work.
• Abstract（参考訳）: 小さなOffice編集は、必要な更新をすべて伝達し、保護された状態を変更せずに残すという2つの義務を負う。 変更が多すぎると、ユーザが許可していないコンテンツが更新される。 OfficeEditBenchは、スプレッドシート、プレゼンテーション、ドキュメントの変更スコープによるメンテナンスのための170タスクのベンチマークである。 タスクコントラクトは、必要な更新、保護された状態、ネイティブ構造、適用可能なインタラクション要件を指定する。 WorkBuddy、Doubao、Codexからアーカイブされた510のタスクシステム結果に対して、ファイル配信、ターゲット完了、検証者定義の受け入れを区別します。 パッケージ価値の高いデリバリは92%から100%の範囲だが、完全なコントラクトを満たす出力は選択されていない。 更新された値がその生成式を失う可能性があり、改訂されたルールは関連する結論に達しず、新しい期限は維持された前提条件を省略することができる。 これらのメカニズムは、Officeファイルの継続的な保守性にアーティファクトレベルのチェックを接続する。 我々は,凍結自動判定と人間の受容性とを区別しながら,メンテナンスの失敗を分析した。 OfficeEditBenchは、既存の作業のロジックとスコープを維持しながら、必要な変更を完了するためのテストベッドを提供する。

関連論文リスト

• From Version Conflicts to Decision Conflicts: Selective Revalidation for Long-Running AI Agents [5.854855197115679]
  長期にわたるAIエージェントは、状態や理由を読み、ツールや人間の承認を待ち、ずっと後に外部アクションを実行する。 ATRは、保留中の動作を正当化する明示的で実行可能な条件を記録し、外部操作を解放する前に変更によって影響を受ける条件のみを再チェックする。
  論文  参考訳（メタデータ） (2026-09-07T21:56:48Z)
• SkillGLoW: Procedural-Family Skill Consolidation for Self-Improving Agents on Long-Horizon Task Streams [55.90739575113059]
  再利用の欠如は、関連するタスクのクラスタによって共有される解決手順であり、その周りでSkillGLoWを構築している、と我々は主張する。 4つのベンチマーク(数学的推論、端末の自動化、ソフトウェア修復、実施制御)と3つのモデルで、前者は平均17.2ポイント(ハード)を獲得している。
  論文  参考訳（メタデータ） (2026-09-02T07:31:18Z)
• The Working Set of a Coding Agent: Coherence Debt in Repository-Scale Tasks [14.070053515623883]
  リポジトリスケールのコーディングには、テスト、インポート、設定、マイグレーションルールを境界付けられたコンテキストウィンドウ内で一貫性を保つためのエージェントが必要である。 7つのモデルと5つのハーネスに障害を注入します。 リネームが実際のライブラリについて記憶したモデルを破ると、7つすべてが同じ場所で失敗し、同じテストがパスして失われる。
  論文  参考訳（メタデータ） (2026-08-17T14:30:41Z)
• Change2Task: From Repository Changes to Executable Coding Agent Tasks and Environments [46.958911818255565]
  Change2Taskは、統合されたプルリクエストを、同じリポジトリの健全なモダンなリビジョンに関する検証されたタスクに変換する。 歴史的証拠を進化したコードと整合させ、パッチリバーサル、コードマッピング、エージェント再構築を通じてタスク状態を再構築する。 本システムは,バグフィックス,機能追加,テスト生成,アプリケーションプログラミングインタフェースのマイグレーション,セキュリティ修復という,広く普及している5つのプログラミングエージェントタスクファミリを通じて評価する。
  論文  参考訳（メタデータ） (2026-07-30T17:44:31Z)
• Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction [57.138342889101345]
  Tencent WorkBuddy Benchは、コーディングエージェントのためのマルチドメイン評価スイートである。 本報告では, 設計手法, スコアリングプロトコル, クロスモデルリーダーボードについて述べる。
  論文  参考訳（メタデータ） (2026-07-23T04:34:06Z)
• 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)
• Verify-Gated Completion as Admission Control in a Governed Multi-Agent Runtime: A Bounded Architecture Case Study [0.6875312133832079]
  制御されたマルチエージェントランタイムの入出力制御パターンとして,検証ゲート補完について検討する。 観測条件下では,読み取り専用検証ゲートとパケット化入力記録が検査可能で,フェールクロースされた。
  論文  参考訳（メタデータ） (2026-05-18T07:52:13Z)
• ClawMark: A Living-World Benchmark for Multi-Turn, Multi-Day, Multimodal Coworker Agents [77.22389710754452]
  マルチターンマルチデイタスクを中心に構築された同僚エージェントのベンチマークであるベンチを紹介する。 現在のリリースには、13のプロのシナリオにわたる100のタスクが含まれており、5つのステートフルなサンドボックスサービスに対して実行される。 最強のモデルは75.8の重み付きスコアに達するが、最も厳格なタスク成功率は20.0%に過ぎず、部分的な進歩が一般的であることを示している。
  論文  参考訳（メタデータ） (2026-04-26T16:05:02Z)

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。