論文の概要: Audit the Scaffold, Not the Checkpoint: A Stationarity Dichotomy for Recursive Self-Improvement in Agentic Coding
- arxiv url: http://arxiv.org/abs/2609.34924v1
- Date: Mon, 28 Sep 2026 11:25:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:42:39.872246
- Title: Audit the Scaffold, Not the Checkpoint: A Stationarity Dichotomy for Recursive Self-Improvement in Agentic Coding
- Title（参考訳）: エージェント符号化における再帰的自己改善のための定常二分法
- Abstract要約: 私たちの基準では、通常、固定クラス内の検索、天井自体を上昇させるテストタイムトレーニング、足場書き換えという3つのレギュレーションを分離しています。
30人の家族労働者では、失敗の重複は最大で、大多数は23/55(42%)のタスクで失敗する。
丸ごとの改善はSWEベンチでゼロに崩壊し、チャーンは401回の生産セッションで幾何的に崩壊する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An auditor who checks whether a system's weights are frozen is checking the wrong thing. Our stationarity dichotomy says that iterative self-modification hits strict diminishing returns whenever the agent's reachable set of edits stays fixed, and can escape only if that set expands. Rewriting scaffolding (tools, verifiers, decomposition) expands what an agent reaches without touching a weight, so frozen weights buy an eventual ceiling but no stationarity along the way. The criterion also separates three regimes usually merged: search within a fixed class, test-time training that raises the ceiling itself, and scaffold rewriting between them. Audit the scaffold, not the checkpoint. The same ceiling binds sideways. Best-of-$k$ orchestration realizes the best worker's ceiling exactly: width buys rate, not budget. Re-consulting a fixed pool has a horizon computable in advance, decided by the pool alone, and the one arrangement that would beat it, a weighted vote, needs diversity real workers lack: on 30 same-family workers the failure overlap sits at its maximum, and a majority fails 23/55 (42%) of tasks. We obtain the criterion by reading refinement as gradient boosting on the residual error between draft and target, a patch or git diff, and then measuring where that reading breaks: patches compose instead of standing beside each other to be voted on, and failures overlap. What we measure is saturation. Per-round improvement decays toward zero on SWE-bench, and churn decays geometrically across 401 production sessions, a shape shared with a pre-AI human baseline that establishes the regime without identifying its cause. Both breaks are engineering choices rather than laws about code, so together they specify a harness worth building.
- Abstract（参考訳）: システムの重みが凍っているかどうかをチェックする監査役は間違ったことをチェックします。
我々の定常二分法は、エージェントの到達可能な編集セットが固定されたままであれば、反復的な自己修正が厳格に減少するリターンを達成し、そのセットが拡大した場合のみエスケープできると言っている。
足場(ツール、検証器、分解)の書き換えは、エージェントが重量に触れることなく到達するものを拡張するため、凍結した重量は最終的な天井を買うが、途中で固定性はない。
基準は、通常、固定クラス内の探索、天井自体を上昇させるテストタイムトレーニング、それらの間の足場書き換えの3つのレギュレーションを分離する。
チェックポイントではなく、足場を監査する。
同じ天井が横にくっついている。
ベスト・オブ・k$オーケストレーションは、ベストワーカーの天井を正確に認識します。
固定プールの再解釈には、事前に計算可能な水平線があり、プールによって決定され、それを打ち負かす1つのアレンジ、重み付けされた投票、多様性のある実際の労働者の欠如:30人の同じ家庭労働者では、障害の重複は最大で、過半数は23/55(42%)のタスクで失敗する。
我々は、草案と目標間の残差、パッチまたはgit差分を緩やかに増加させ、その読み出しが壊れる場所を測ることにより、精査を読取し、評価基準を得る: パッチは、投票のために横に立っている代わりに構成され、失敗は重複する。
私たちが測るのは飽和です。
丸ごとの改善はSWEベンチでゼロに向かって崩壊し、チューンは401回の生産セッションで幾何学的に崩壊する。
両方のブレークは、コードに関する法律よりもエンジニアリングの選択です。
関連論文リスト
- Uncertainty-Gated Exploration Noise Suppresses Task Collapse in Online RL Fine-Tuning of a Flow-Matching Vision-Language-Action Policy [0.0]
LIBERO-10において,タスク崩壊(タスク崩壊)と呼ばれる障害モードを小額の予算で検討した。
3つの探索ノイズポリシーは、固定ノイズスケール、ReinFlowスタイルの学習ノイズネットワーク、不確実性付きコントローラの3つのライブ変数が異なる。
我々は4つの定義の下でタスクごとの崩壊を測定するツールをリリースし、ノイズや楽器の触覚を再現する。
論文 参考訳（メタデータ） (2026-09-23T23:08:10Z) - RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
正規化再帰的自己改善型エージェント・ハーネス(RRSI)
本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。
RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
論文 参考訳（メタデータ） (2026-09-21T17:54:49Z) - Bilevel Coordinated Reflection: A Game-Theoretic Approach to Multi-Agent LLM Systems [40.47928908205563]
マルチエージェントLLMシステムは、一般的にオーケストレータを使用して、労働者のチームのためにタスクを分解し、テキストリフレクションによって改善する。
強い実証結果にもかかわらず、これらのシステムには調整、メモリ改善、外部検証の役割の統一的な説明が欠けている。
我々は,評価のための信頼ゲーティングと,断片的な静止環境に対する保証の再集計を行う。
実験では、これらのオブジェクトを環境条件付きメトリクスでインスタンス化し、予測調整法則とドリフト法則をテストする。
論文 参考訳（メタデータ） (2026-09-02T15:50:10Z) - Bounded Loops: Pre-Run Spend Bounds, Proved Termination, and Verified Completion for Agent Harnesses [0.0]
メインストリームのエージェントフレームワークでは、エージェントの出力が終了すると、ステップが終了する。
私たちは、ハーネスがそれを提供するかどうかを測定する機器を構築します。
ゲートは2層保持されたミュータントコーパスに対して測定される。
論文 参考訳（メタデータ） (2026-08-20T14:26:06Z) - Split the Labor: Separating Evidence Interpretation from Decision Aggregation [0.0]
言語モデルに多くの情報源から結論に達するよう要求するシステムは通常、それらを1つのプロンプトに分割する。
提案する4分野のエビデンス(仮説,信頼性バケット,合理性,証明)は,両半減期を決定することを示す。
この修正はアーキテクチャよりも算術的であり、言語モデル以外のルールのクラスに適用される。
論文 参考訳（メタデータ） (2026-08-14T17:24:55Z) - Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families [51.56484100374058]
放棄 — モデルの拒絶方向を重みから取り除く — は、一般的な"アンセンソルド"なオープンウェイトモデルの標準的なレシピである。
ディスポジションプローブとして21,600個の決定を不確実性の下で使用し、凍結パイプラインを通じて再生することにより、決定層モデルが唯一の変数となる。
3つのエフェクトは2つのファミリーにまたがって複製される(ゼロを除く週間クラスターCI)
4つ目の効果は符号を逆転する:同じ操作によりGemmaで読み取られた方が自信が弱まり、Qwenで読み取られたものがより多くなる(ファミリーCIは重複しない)。
論文 参考訳（メタデータ） (2026-07-19T22:27:00Z) - Who Grades the Grader? Co-Evolving Evaluation Metrics and Skills for Self-Improving LLM Agents [9.989306175511238]
自己進化型エージェントシステムは、自身のスキルの作成、修正、引退によって改善されるが、そのようなループはすべて隠れた仮定に依存している。
まず、私たちのメトリックループは、完全な進化のライフサイクルの下で小さな検出器の組成を探索します。
第二に、メートル法が存在しないため、ヤードスティックは正確なメートル法が実現したことを回復しており、EmphDouble Ratchetは、ライフサイクル管理されたスキルループによるメトリックの共進化です。
論文 参考訳（メタデータ） (2026-07-14T14:02:50Z) - What Accuracy and Gradient Cosine Miss: Evaluating Feedback Alignment via Scale Stability, Reference Validity, and Depth Utility [48.10132234701036]
本稿では,3つのチェック(スケール安定性,参照妥当性,深度ユーティリティ)に基づく診断評価プロトコルを提案する。
複数のアーキテクチャや手法にまたがって、我々のプロトコルは広い校正マージンを持つ全ての障害を識別する。
論文 参考訳（メタデータ） (2026-06-19T06:04:17Z) - Survive or Collapse: The Asymmetric Roles of Data Gating and Reward Grounding in Self-Play RL [76.45061154544568]
セルフプレイ強化学習は、言語モデルを独自の生成タスクで訓練し、人間ラベルなしでプロジェクタとソルバを共進化させる。
最近のシステムでは強い推理効果が報告されているが、崩壊と不安定性は広く観察され、理解されていない。
代わりに、自己プレイの安定性は、提案者生成タスクがトレーニングプールに入るかを判断するデータレベルゲートと、すでに認められたタスクに関するポリシーを更新する報酬信号の2つの異なるレバーによって管理されていると論じる。
論文 参考訳（メタデータ） (2026-05-21T09:19:23Z) - Affordance Agent Harness: Verification-Gated Skill Orchestration [45.231685718099264]
Affordance groundingは、オープンワールドのシーンでエージェントがどこでどのように対話すべきかを特定する必要がある。
本稿では,エビデンスストアとコストコントロールを備えたクローズドループランタイムであるAffordance Agent Harnessを提案する。
論文 参考訳（メタデータ） (2026-05-01T13:45:16Z)
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。