論文の概要: AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks

• arxiv url: http://arxiv.org/abs/2609.38288v1
• Date: Tue, 29 Sep 2026 16:52:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.489783
• Title: AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks
• Title（参考訳）: AREX-2: 長期反射課題による自己改善剤の開発
• Abstract要約: AREX-2は、LLMエージェントの自己改善能力を向上するための取り組みである。 我々は、機械学習とアルゴリズムプログラミングタスクから長距離改善軌道を合成する。 本研究では,長期反射データが自己改善剤への効果的な経路であることを示す。
• 参考スコア（独自算出の注目度）: 83.35809169628476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present AREX-2, an effort to advance the self-improving capability of LLM agents, which we define as the ability to iteratively refine a solution at test time. This ability rests on two complementary capabilities: reflection, which produces a solution better than the current one, and long-horizon execution, which keeps the iteration effective over many rounds. We hypothesize that both capabilities are domain-agnostic, and can therefore be learned in scenarios that are well suited for supervision. Accordingly, we synthesize long-horizon improvement trajectories from machine learning and algorithmic programming tasks, two domains that offer verifiable feedback and reward sustained iteration. Trained on this data, our agent, built on Qwen3.8-27B, achieves strong results on MLE-bench Lite (81.8) and Frontier-CS (70.7), transfers to deep research with 84.0 on BrowseComp, 52.6 on HLE, 92.2 on GAIA, and 93.8 on DeepSearchQA, and keeps improving as its budget of rounds grows. These results show that long-horizon reflective data is an effective route toward self-improving agents.
• Abstract（参考訳）: 本稿では, LLMエージェントの自己改善能力を向上する取り組みであるAREX-2について述べる。 この機能は、リフレクション(リフレクション)と、多くのラウンドでイテレーションを効果的に維持するロング水平実行(long-horizon execution)という2つの補完的な機能に依存します。 両方の能力はドメインに依存しないため、監視に適したシナリオで学習できるという仮説を立てています。 そこで我々は,機械学習とアルゴリズムプログラミングタスクから長期的改善軌道を合成する。 このデータに基づいて,我々のエージェントはQwen3.8-27B上に構築され,MLE-bench Lite (81.8),Frontier-CS (70.7),BrowseComp 84.0,HLE 52.6,GAIA 92.2,DeepSearchQA 93.8 のディープリサーチに移行し,ラウンド予算の増大とともに改善を続けている。 これらの結果から,長期反射データが自己改善剤への効果的な経路であることが示唆された。

関連論文リスト

• Spinning Straw into Gold: Relabeling LLM Agent Trajectories in Hindsight for Successful Demonstrations [53.931465193216155]
  我々は、HSL(Hindsight Supervised Learning)を導入し、補助的なLLMが各完了軌跡をレビューし、エージェントが実際に達成したすべての自然言語目標をラベル付けする。 HSLは軌道をその延長された目標と組み合わせ、これらのペアを追加の微調整に使用する。 実験の結果,HSLは既存のポストトレーニングパイプラインと柔軟で互換性があることがわかった。
  論文  参考訳（メタデータ） (2026-07-05T11:21:26Z)
• 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)
• 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)
• AceGRPO: Adaptive Curriculum Enhanced Group Relative Policy Optimization for Autonomous Machine Learning Engineering [52.67783579040657]
  AceGRPOは、エージェントの学習フロンティアにおけるタスクを優先順位付けして学習効率を最大化する機械学習システムである。 我々のトレーニングされたAce-30Bモデルは、MLE-Bench-Lite上で100%有効な応募率を実現し、プロプライエタリなフロンティアモデルの性能にアプローチし、より大きなオープンソースベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-02-08T10:55:03Z)
• Reinforcement Learning for Long-Horizon Multi-Turn Search Agents [0.0]
  大規模言語モデル(LLM)エージェントは、複雑なタスクを解決するために複数のターンとツールを利用できる。 この研究は、強化学習が経験から学ぶことによって、能力を大幅に推し進めることを示した。
  論文  参考訳（メタデータ） (2025-10-28T07:00:42Z)
• UltraHorizon: Benchmarking Agent Capabilities in Ultra Long-Horizon Scenarios [63.67884284105684]
  textbfUltraHorizonは、複雑な現実世界の課題に不可欠な基礎的能力を測定する新しいベンチマークである。 エージェントは、隠されたルールを反復的に発見しなければならない、長期にわたる発見タスクで設計されている。 実験の結果, LLM-agents はこれらの設定において常に不利な成績を示し, ヒトは高いスコアを得ることができた。
  論文  参考訳（メタデータ） (2025-09-26T02:04:00Z)
• SE-Agent: Self-Evolution Trajectory Optimization in Multi-Step Reasoning with LLM-Based Agents [32.76299758137446]
  大規模言語モデル(LLM)ベースのエージェントは、最近、複雑な推論とツールの使用において、環境とのマルチステップのインタラクションを通じて印象的な機能を示した。 これらの軌道にはリッチなフィードバックが含まれており、エージェントを正しい方向に誘導して問題を正しく解くことができる。 モンテカルロ木探索 (MCTS) のような一般的な手法は、探索と搾取を効果的にバランスさせることができるが、それらは様々な軌道間の相互依存を無視している。 エージェントが推論プロセスを反復的に最適化できる自己進化フレームワークSE-Agentを提案する。
  論文  参考訳（メタデータ） (2025-08-04T05:51:55Z)

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。