論文の概要: Adaptive-GEPA: Make Your Harness Fit Heterogeneous Requests

• arxiv url: http://arxiv.org/abs/2609.38762v1
• Date: Wed, 30 Sep 2026 01:45:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.979427
• Title: Adaptive-GEPA: Make Your Harness Fit Heterogeneous Requests
• Title（参考訳）: Adaptive-GEPA:不均一な要求に対処する
• Abstract要約: Adaptive-GEPAはリクエストの分割方法と解決方法を学ぶ。 ルーターと専門プログラムのライブラリを1つの検索予算で進化させる。
• 参考スコア（独自算出の注目度）: 58.74947303797964
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reflective optimizers such as GEPA improve language model prompts from execution traces and evaluator feedback; full-program extensions can also rewrite tools and control flow. In practice, a user hands the same endpoint heterogeneous requests whose effective solutions require different tools, reasoning modes, and control flow. Optimizing one shared program leaves this division of work implicit in source-code search, while optimizing a separate program per request family fixes it beforehand. We introduce Adaptive-GEPA, which learns both how to divide requests and how to solve them. It evolves a router and a library of specialist programs under one search budget. The router's instructions, each specialist's description, and its program code are plain, human-readable text, edited from feedback. To combine branches, it aligns specialists by the requests they handle and inherits descriptions together with programs. On a fixed mixture of four task families, the reported Qwen3-8B run evolves four experts without supplying family labels to the router or reflection model; its routing matches the task partition on all 651 test requests. Its family-mean test score (x100) rises from 52.6 to 70.6, compared with 62.5 for GEPA's full-program adapter and 54.0 for GRPO at a nominal budget of 18,000 scored calls. These counts do not equate total compute. Figure 1 summarizes the learning curves, final test scores, and routing agreement.
• Abstract（参考訳）: GEPAのようなリフレクティブオプティマイザは、実行トレースや評価者からのフィードバックから言語モデルプロンプトを改善する。 実際には、ユーザは異なるツール、推論モード、制御フローを必要とする効率的なソリューションを必要とする、同じエンドポイントの異種リクエストを渡します。 1つの共有プログラムの最適化は、ソースコード検索において、この作業の分割を暗黙に残し、リクエストファミリーごとに別のプログラムを最適化することで、事前に修正する。 リクエストの分割方法とそれを解決する方法の両方を学ぶAdaptive-GEPAを紹介します。 ルーターと専門プログラムのライブラリを1つの検索予算で進化させる。 ルータの指示、各専門家の説明、プログラムコードは、フィードバックから編集された平易で可読なテキストである。 ブランチを組み合わせるために、専門医が処理するリクエストを調整し、プログラムと一緒に記述を継承する。 報告されたQwen3-8Bの4つのタスクファミリは、ルータやリフレクションモデルにファミリーラベルを供給せずに4人の専門家を進化させる。 家族平均テストスコア(x100)は52.6から70.6に上昇し、GEPAのフルプログラムアダプタでは62.5、GRPOでは54.0となった。 これらの数値は総計算量に等しくない。 図1は、学習曲線、最終テストスコア、ルーティング合意をまとめたものです。

関連論文リスト

• Streamlined Reflective Evolution for Task-Adaptive Self-Refinement Pipelines [7.344577590113121]
  本稿では,自己精製パイプラインの反射的進化を合理化するためのフレームワークを提案する。 最小限のプロンプトから始めて、WDAはステージ命令とそのシーケンシャル構造を共同で進化させる。 WDAは、知識、数学的推論、マルチホップ質問応答、そして指示に従う5つのベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-09-26T10:45:36Z)
• ToolGate: An Executable Acceptance Pipeline for Tool-Dependent Scientific Benchmark Construction [5.992855612201743]
  ToolGateは、生成されたすべてのアイテムをプロポーザルとして扱い、3つのゲートが通過したときにのみ保持します。 ToolGateは、繰り返し回答のチェックとスクリーニングを監査可能なプロセスに変え、ドメイン設計と最終レビューを専門家に任せる。
  論文  参考訳（メタデータ） (2026-09-02T03:49:37Z)
• Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
  外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。 我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。 オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
  論文  参考訳（メタデータ） (2026-08-23T03:07:03Z)
• The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
  推論駆動最適化のための統合フレームワークであるReASearchを提案する。 共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。 我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
  論文  参考訳（メタデータ） (2026-08-07T02:15:39Z)
• COMPAS: Difficulty-Aware Joint Search for Optimizing Code Generation [16.33065582566179]
  低コストモデル選択と共同プロンプトデコード検索により,グループ固有の品質・コスト面を学習する難易度認識手法であるCompASを導入する。 LiveCodeBenchの検索予算で、CompASはパス@1を最高のベースラインで45.9%から52.8%に改善し、コストは36.57ドルから4.92ドルに削減した。
  論文  参考訳（メタデータ） (2026-08-05T01:28:43Z)
• Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
  PointArena 2026は77.2%の精度でベンチマークで2位である。 ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。 次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
  論文  参考訳（メタデータ） (2026-06-29T06:39:03Z)
• optimize_anything: A Universal API for Optimizing any Text Parameter [98.42497715725356]
  単一タスク検索をサポートする1つのAIベースの最適化システム、クロスプロブレム転送によるマルチタスク検索、および目に見えない入力への一般化を示す。 LLMに基づく検索によるテキストの最適化は汎用的な問題解決パラダイムであることを示す。
  論文  参考訳（メタデータ） (2026-05-19T10:18:12Z)
• ReqFusion: A Multi-Provider Framework for Automated PEGS Analysis Across Software Domains [0.45880283710344066]
  ReqFusionは、ソフトウェア要件の抽出、分類、分析を自動化するAI強化システムである。 アーキテクチャはOpenAI GPT、Anthhropic Claude、Groqモデルを統合し、機能的および非機能的要件を抽出する。
  論文  参考訳（メタデータ） (2026-03-24T17:45:40Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)

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。