論文の概要: EvoIn: Bridging Evolution and Internalization for Agent Fine-Tuning

• arxiv url: http://arxiv.org/abs/2609.35290v1
• Date: Mon, 28 Sep 2026 14:36:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-02 06:48:02.955889
• Title: EvoIn: Bridging Evolution and Internalization for Agent Fine-Tuning
• Title（参考訳）: EvoIn: エージェントファインチューニングのためのブリッジング進化と内部化
• Abstract要約: 進化と内部化を橋渡しするエージェント微調整フレームワークであるEvoInを提案する。 多様なベンチマークでEvoInを評価し、エージェントがより強力な意思決定手順を学習できるようにする。 その結果,内部決定手順が未確認タスクに一般化されることが判明した。
• 参考スコア（独自算出の注目度）: 71.35135923360275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work has explored improving agents by jointly evolving their harnesses and models, but often takes a ''potpourri'' approach that bundles together new tools, new decision-making procedures, and model adaptation to the evolved harness under a single notion of agent improvement. In this paper, we instead investigate how agents can improve their decision-making procedures. In particular, we propose EvoIn, an agent fine-tuning framework that bridges evolution and internalization. EvoIn first analyzes agent execution traces to evolve and validate new decision-making procedures by temporarily instantiating them in the harness. The validated procedures guide the agent to generate improved reasoning traces. These traces are then rewritten into self-contained reasoning traces, removing explicit references to harness instructions while expressing the induced decision logic as the model's own reasoning. Finally, EvoIn fine-tunes the model on the rewritten traces, internalizing these procedures so that the improved decision-making persists without the evolved harness at inference time. We evaluate EvoIn on diverse benchmarks and find that it consistently enables agents to learn stronger decision-making procedures, raising the pass rate by 10.9 points in-domain and by 9.2 points out-of-domain. Results further show that the internalized decision procedures generalize to unseen tasks. Case studies show that agents can learn to decide how to solve a task before solving it, for example by checking a document's length to choose between reading it in full and searching it. EvoIn is also broadly applicable, showing consistent improvements on another model family.
• Abstract（参考訳）: 最近の研究は、ハーネスとモデルを共同で進化させることで、エージェントの改善について検討してきたが、しばしば新しいツール、新しい意思決定手順、進化したハーネスへのモデル適応を単一の概念でまとめる'ポットポウリ'アプローチを採用する。 本稿では,エージェントが意思決定手順を改善する方法について検討する。 特に,進化と内部化を橋渡しするエージェント微調整フレームワークであるEvoInを提案する。 EvoInはまずエージェントの実行トレースを分析して、ハーネス内で一時的にインスタンス化することで、新たな意思決定手順を進化させ、検証する。 検証された手順は、エージェントを誘導し、改良された推論トレースを生成する。 これらのトレースは、自己完結した推論トレースに書き直され、モデル自身の推論として誘導された決定ロジックを表現しながら、命令を使用するための明示的な参照を削除する。 最後に、EvoInは書き直されたトレースのモデルを微調整し、これらの手順を内部化し、改良された意思決定が推論時に進化したハーネスなしで持続できるようにします。 我々は多様なベンチマークでEvoInを評価し、エージェントがより強力な意思決定手順を学習できるようにし、ドメイン内10.9ポイント、ドメイン外9.2ポイントのパスレートを向上することを発見した。 さらに, 内部決定手順が未確認タスクに一般化されることが示唆された。 ケーススタディでは、例えばドキュメントの長さをチェックして、全文を読むか、検索するかを選択することで、タスクの解決方法を学習できることが示されている。 EvoInも広く適用でき、他のモデルファミリでも一貫した改善が加えられている。

関連論文リスト

• HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution [11.431479238875712]
  我々は、信頼できるエージェントの自己進化を実現するために、参照軌道から学習する自己進化フレームワークであるHarnessEvolveを紹介する。 私たちは、さまざまなモデルとエージェントフレームワークを使用して、オープンドメインとエンタープライズシナリオにまたがるいくつかのベンチマークで広範な実験を行います。 結果は、HarnessEvolveがすべてのベンチマークと設定で、最先端のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-09-01T07:31:18Z)
• Harnessing Agentic Evolution [32.567492765277855]
  エージェント進化は、プログラム、イテレーション、科学的ソリューションを改善するための強力なパラダイムであり、候補を反復的に生成し、評価し、フィードバックを使って将来の探索を導く。 既存の手法は通常、モジュラーだが剛性のある固定手設計の手順や、フィードバックを柔軟に統合する汎用エージェントとしてインスタンス化される。 AEvoはメタエージェントがこの状態を観察し、次の候補を直接提案することでではなく、将来の進化を制御するプロシージャやエージェントコンテキストを編集することによって機能する。
  論文  参考訳（メタデータ） (2026-05-13T17:45:16Z)
• AgentV-RL: Scaling Reward Modeling with Agentic Verifier [63.55502685076245]
  試験時間スケーリング(TTS)によるLCM推論を強化する検証器が実証されている。 本稿では,報酬モデリングを多ターンツール拡張型検討プロセスに変換するフレームワークであるエージェント検証を提案する。 Agentic Verifier は並列およびシーケンシャルTS の両方で一貫した性能向上が得られることを示す。
  論文  参考訳（メタデータ） (2026-04-17T12:27:36Z)
• AgentPRM: Process Reward Models for LLM Agents via Step-Wise Promise and Progress [71.02263260394261]
  大規模言語モデル(LLM)は、マルチターン意思決定タスクにおいて依然として課題に直面している。 プロセス報酬モデル(PRM)を構築し、各意思決定を評価し、エージェントの意思決定プロセスを導く。 AgentPRMは、シーケンシャルな決定と最終的な目標への貢献の間の相互依存の両方をキャプチャする。
  論文  参考訳（メタデータ） (2025-11-11T14:57:54Z)
• StepWiser: Stepwise Generative Judges for Wiser Reasoning [52.32416311990343]
  プロセス報酬モデルは、ステップバイステップのフィードバックを提供することによって、この問題に対処する。 近年の進歩に触発されて、分類タスクから推論タスク自体への段階的な報酬モデリングを再構築しました。 既存の手法よりも中間段階の精度が向上し, (ii) 訓練時の政策モデルの改善に利用でき, (iii) 推論時探索の改善が図られている。
  論文  参考訳（メタデータ） (2025-08-26T17:45:05Z)
• Inverse Online Learning: Understanding Non-Stationary and Reactionary Policies [79.60322329952453]
  エージェントが意思決定を行う方法の解釈可能な表現を開発する方法を示す。 一連の軌跡に基づく意思決定プロセスを理解することにより,このオンライン学習問題に対して,政策推論問題を逆問題とみなした。 本稿では、エージェントがそれらを更新するプロセスと並行して、その影響を遡及的に推定する実用的なアルゴリズムを提案する。 UNOSの臓器提供受諾決定の分析に応用することで、我々のアプローチは意思決定プロセスを管理する要因や時間とともにどのように変化するかに、貴重な洞察をもたらすことができることを実証する。
  論文  参考訳（メタデータ） (2022-03-14T17:40:42Z)

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。