論文の概要: ContextRender: From Execution Dependencies to Agent Context

• arxiv url: http://arxiv.org/abs/2609.37743v1
• Date: Tue, 29 Sep 2026 14:57:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.654228
• Title: ContextRender: From Execution Dependencies to Agent Context
• Title（参考訳）: ContextRender: 実行依存からエージェントコンテキストへ
• Abstract要約: 既存のコンテキスト管理メソッドは、以前のツールがその後の実行でどのように使用されるかを見落とし、必要な情報をコンテキストから取り除く。 実行依存の永続的なグラフを通じてコンテキストを管理するContextRenderを紹介します。 ツールフロー解析(Tool-Flow Analysis)は、後の操作が以前のツールからどのように情報を再利用したかを追跡するもので、観察された再利用と呼ばれる信号を提供する。
• 参考スコア（独自算出の注目度）: 3.383208046995159
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM agents performing long-horizon tasks accumulate tool results that later steps may need. Passing the full history to every invocation is costly even when it fits within the context window, while reducing it risks omitting needed information. Existing context management methods can overlook how earlier tool results are used in subsequent execution, leaving needed information out of context. We introduce ContextRender, which manages context through a persistent graph of execution dependencies. We develop Tool-Flow Analysis to track how later operations reuse information from earlier tool results, providing a signal called observed reuse. A renderer combines this signal with recency and semantic relevance to select results within a fixed history budget, retaining omitted results for later use. Across AppWorld and 8-objective QA with three execution models, ContextRender outperforms the evaluated context management baselines using a 6K history budget, well below the models' maximum context windows. Within this budget, it achieves task performance close to or above that of passing the full history while reducing mean inference cost by 10.2%-32.2% relative to Full history. Ablations show that observed reuse improves task performance and retention of results reused later.
• Abstract（参考訳）: 長期作業を行うLLMエージェントは、後のステップで必要なツール結果を蓄積する。 すべての呼び出しにすべての履歴を渡すのは、コンテキストウィンドウに収まる場合でもコストがかかります。 既存のコンテキスト管理メソッドは、過去のツールがその後の実行でどのように使われているかを見落とし、必要な情報をコンテキストから取り除くことができる。 実行依存の永続的なグラフを通じてコンテキストを管理するContextRenderを紹介します。 ツールフロー解析(Tool-Flow Analysis)は、後の操作が以前のツールからどのように情報を再利用したかを追跡するもので、観察された再利用と呼ばれる信号を提供する。 レンダラーは、この信号を正確性と意味的関連性と組み合わせて、固定された履歴予算内で結果を選択し、後から使用するために省略結果を保持する。 AppWorldと3つの実行モデルを持つ8オブジェクトのQAを通じて、ContextRenderは、評価されたコンテキスト管理ベースラインを6K履歴予算で上回り、モデルの最大コンテキストウィンドウよりかなり低い。 この予算の中では、フルヒストリーをパスするタスクのパフォーマンスを、フルヒストリーと比較して平均推論コストを10.2%から32.2%削減する。 アブレーションは、観察された再利用によってタスクのパフォーマンスが向上し、後で再利用された結果の保持が向上することを示している。

関連論文リスト

• Memory Control Signals Emerge Before Action in Long Horizon Agents [55.84813053778976]
  各エージェントアクションの直前に隠された状態を調べ、圧縮とリコールの要求がモデルの内部表現にすでにエンコードされていることを確認する。 本研究では,状態誘導圧縮と外部エビデンス検索を組み合わせたPreaction Memory with Evidence Retrieval (PaMER)を提案する。
  論文  参考訳（メタデータ） (2026-09-23T03:23:34Z)
• MM-ContextFold: Context Folding for Multimodal Agentic Retrieval [73.11459588489326]
  MAR(Multimodal Agentic Retrieval)は、エージェントが外部ツールを反復的に呼び出すことで複雑な情報検索タスクを解決する必要がある。 MM-ContextFoldは、必要に応じてのみ生画像を読み込む、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-09-19T16:45:21Z)
• ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL [30.70875568757697]
  ロングホライゾンのエージェントタスクは、多ターンインタラクションをまたいだ分散情報を反復的に取得、統合、維持するために大きな言語モデルを必要とする。 近年のプロアクティブなコンテキスト管理手法では、モデルが独自の作業コンテキストを特別なツールで編集できるようになっている。 本稿では,長期エージェント推論のための能動的コンテキスト管理フレームワークであるContextPilotを紹介する。
  論文  参考訳（メタデータ） (2026-08-28T16:01:08Z)
• ReContext: Recursive Evidence Replay as LLM Harness for Long-Context Reasoning [78.94047086588078]
  長文推論のための LLM Harness として再帰的証拠を提案する。 長文推論を改善するための訓練不要推論法である。 128Kのコンテキスト長を持つ8つの長文データセットの実験は、エビデンスの利用を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-07-02T17:59:26Z)
• Context Recycling for Long-Horizon LLM Inference [0.3655021726150367]
  大規模言語モデル(LLM)は、短文推論において強力な能力を示すが、長い会話の地平線上での性能は低下する。 タスク関連情報をターン毎に保持するコンテキストリサイクルシステムであるContextForgeを紹介する。 システムは、完全なコンテキスト再生に頼ることなく、事前計算の効率的な再利用を可能にする。
  論文  参考訳（メタデータ） (2026-05-01T04:45:08Z)
• CLEAR: Context Augmentation from Contrastive Learning of Experience via Agentic Reflection [17.486111179784757]
  エージェント・リフレクション(CLEAR)を用いたコントラッシブ・ラーニング・オブ・エクスペリエンス(Contrastive Learning of Experience)を用いた生成文脈拡張フレームワークを提案する。 CLEARはまずリフレクションエージェントを使用し、過去の実行軌跡に対してコントラスト分析を行い、観察された各タスクに有用なコンテキストを要約する。 さらに,タスク実行エージェントの実行によって報酬信号が得られる強化学習を用いてCAMを最適化する。
  論文  参考訳（メタデータ） (2026-04-08T18:26:59Z)
• Enel: Context-Aware Dynamic Scaling of Distributed Dataflow Jobs using Graph Propagation [52.9168275057997]
  本稿では,属性グラフ上でメッセージの伝搬を利用してデータフロージョブをモデル化する,新しい動的スケーリング手法であるEnelを提案する。 Enelが効果的な再スケーリングアクションを識別でき、例えばノードの障害に反応し、異なる実行コンテキストで再利用可能であることを示す。
  論文  参考訳（メタデータ） (2021-08-27T10:21:08Z)
• Bellamy: Reusing Performance Models for Distributed Dataflow Jobs Across Contexts [52.9168275057997]
  本稿では、スケールアウト、データセットサイズ、ランタイムをデータフロージョブの記述的特性と組み合わせた新しいモデリング手法であるBelamyを提案する。 我々は,異なる環境で実行される各種データフロージョブの実行データからなる2つの公開データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-07-29T11:57:38Z)

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。