論文の概要: FromPitch2Board: Benchmarking LLM Agents in Long-Horizon Football Management
- arxiv url: http://arxiv.org/abs/2609.34710v1
- Date: Mon, 28 Sep 2026 09:22:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 03:36:30.039244
- Title: FromPitch2Board: Benchmarking LLM Agents in Long-Horizon Football Management
- Title（参考訳）: FromPitch2Board: 長距離サッカー管理におけるLLMエージェントのベンチマーク
- Abstract要約: ロングホライゾンエージェントベンチマークは通常、エージェントがどれくらい進歩するかを報告するが、そのパフォーマンスが基礎モデル、足場、責任範囲、マッチ制御の粒度、地平線から来ているかどうかを特定できない。
FromPitch2Boardは,1つのシミュレータ上で,ペアシードと凍結キャリブレーションを用いて,制御された比較によって5つの要因を研究する決定論的フットボール管理ベンチマークである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon agent benchmarks typically report how far an agent progresses, but do not identify whether its performance comes from the foundation model, scaffold, responsibility scope, match-control granularity, or horizon. We introduce FromPitch2Board, a deterministic football-management benchmark that studies five configurable factors through controlled comparisons on a single simulator, using paired seeds and a frozen calibration. We evaluate four foundation models and four agent scaffolds. In the Model Track, Coach points Z-scores span 0.19, while Manager points Z-scores span 0.68, with GPT-5.6 showing a sharp rise in passivity under responsibility expansion. Its responsibility ladder rises from 46.1 to 58.1 points with recruitment, then falls to 46.8 under full management, localizing the regression to the final responsibility boundary. Across that boundary, its skipped-decision rate rises from 1.1% to 57.9%. Within the Flash-Pro pair crossed across every scaffold, scaffold choice changes Manager points Z-scores by up to 0.48 relative to the fixed stateless scaffold. The 3Y cohort shows a directional reversal in mean ranking between years one and three, while a selected Claude Code+Pro configuration peaks in year three and remains below that peak, showing that responsibility scope and horizon expose behavior changes that a single headline score conceals.
- Abstract（参考訳）: ロングホライゾンエージェントベンチマークは通常、エージェントがどれくらい進歩するかを報告するが、そのパフォーマンスが基礎モデル、足場、責任範囲、マッチ制御の粒度、地平線から来ているかどうかを特定できない。
FromPitch2Boardは,1つのシミュレータ上で,ペアシードと凍結キャリブレーションを用いて,制御可能な5つの要素を比較検討した,決定論的フットボール管理ベンチマークである。
4つの基礎モデルと4つのエージェント足場を評価した。
モデルトラックでは、コーチがZスコアが0.19、マネージャーがZスコアが0.68、GPT-5.6が責任拡大の下でパスティビティが急上昇している。
その責任はしごは採用によって46.1点から58.1点に上昇し、完全な管理下で46.8点に低下し、最終責任境界への回帰がローカライズされる。
その境界を越えて、スキップ決定率は1.1%から57.9%に上昇した。
Flash-Proのペアはすべてのスキャフォールドを横断し、マネージャは固定されたステートレススキャフォールドと比較してZスコアを最大0.48ポイント下げる。
3Yコホートは1年から3年の平均ランクの方向転換を示し、選択されたClaude Code+Pro設定は3年でピークに達し、そのピークより下にある。
関連論文リスト
- GAUGE: Group-Wise View-Inconsistency Rectification for Feed-Forward 4D Tracking [48.91477882822122]
本稿では,GAUGE(Group-wise Adaptive Unsupervised Gauge Estimation)について述べる。
方向整合性と空間接続性から運動群を復元し、フレーム単位のラジアルスケールとグループレベルの変換を推定する。
D4RT, 4RC, SM4RTを含む8つのトラッカーの動的クエリポイントでは, 訂正されていない予測に対して, 終端誤差を15.1%から62.6%削減する。
論文 参考訳（メタデータ） (2026-09-26T13:14:53Z) - One Step, One Lead: Mitigating Higher-Order Interference in Multi-Domain Reinforcement Learning via Cross-Step Control [62.82372407840088]
同点領域勾配は、連続的な更新が出力空間で部分的に逆転する場合においても、ほぼ一定であることを示す。
トークンレベルのリバウンドリスクをランク付けするために,各イテレーションでフォーカスドメインを指定するOSOLを提案する。
OSOLは0.4822のドメイン-マクロ平均に達し、最強の比較ベースラインよりも5.7%向上した。
論文 参考訳（メタデータ） (2026-09-06T08:32:59Z) - From Numbers to Judgment: Specialist LLM Agents and Reinforcement Learning for European Listed Real Estate [0.0]
金融分析における局所的数値演算と積分的判断がLLM専門化の同じ形態から得られるかを検討する。
欧州の上場不動産分析フレームワークを8人のレンズ・アライン・スペシャリストにマップする。
我々は、モデル、ソースエビデンス、タスク命令、出力スキーマ、およびスコアリングを保ちながら、モノリシックとスペシャリストが分解したプロンプトのフロンティアLLMを比較した。
論文 参考訳（メタデータ） (2026-08-11T19:42:15Z) - The Replay Gap: Static Evaluation of Model Switching in LLM Agents Scores the Wrong World [0.0]
LLMルータは、各要求を最も安価な適切なモデルに合わせることで効率を約束し、マルチステップエージェント内のステップごとに適用されるようになっている。
しかし、エージェントルータはシングルターンルータのように評価され、ログ付きトラジェクトリを再生し、他のモデルの出力を置換することで評価される。
我々は,SWE-benchエージェントを制御点にフォークし,環境を再構築し,各フォークを異なるモデルで継続し,サンプリングと再生を分離する同モデル制御フォークと比較する。
論文 参考訳（メタデータ） (2026-08-08T17:07:11Z) - CoTinyVLA: Chain-of-Thought Distillation for a Sub-Billion-Parameter Vision-Language-Action Model [7.106499413931612]
CoTinyVLAはQwen3.5-0.8Bのバックボーン上のアクションモデルであり、モデルを大きくすることなく、監督を構造化することで堅牢性を得る。
LIBERO-Plusでは、7つの摂動次元で10,030の摂動タスクをこなし、CoTinyVLAは空間で90.8%、オブジェクトで87.3%、ゴールで86.6%、ロングで80.7%に達した。
論文 参考訳（メタデータ） (2026-07-28T09:24:17Z) - Explainable Artificial Intelligence for Customer Churn Prediction in Telecommunications: A Framework for CRM Integration [0.0]
リスクスコアとベクトルを階層化されたセグメンテーションに変換する4層CRM統合アーキテクチャを導入する。
最高リスクのクインタイルを目標にすると、全体のチャーンを3.3～5.3ポイント削減し、キャンペーンサイクル当たり199K〜319Kと見積もられている。
論文 参考訳（メタデータ） (2026-07-01T15:30:16Z) - Scaling the Horizon, Not the Parameters: Reaching Trillion-Parameter Performance with a 35B Agent [98.33217711280383]
本稿では,エージェント水平線をスケーリングすることで,パラメータレベルの性能を1兆倍に向上する35B混在エージェントモデルであるAgens-A1を紹介する。
我々は、外部の知識、行動、観察、検証結果を接続する長期の知識-行動基盤を構築します。
Agents-A1は、ロングホライゾンエージェントベンチマークに対して強力で幅広いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-06-29T17:50:54Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳（メタデータ） (2026-06-03T17:06:49Z) - Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。
本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
論文 参考訳（メタデータ） (2026-05-07T06:31:34Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z)
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。