論文の概要: Learning When and How to Intervene: A Hindsight-Distilled Sentinel for Coding Agents

• arxiv url: http://arxiv.org/abs/2609.39957v1
• Date: Wed, 30 Sep 2026 15:26:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.973343
• Title: Learning When and How to Intervene: A Hindsight-Distilled Sentinel for Coding Agents
• Title（参考訳）: インターベントをいつ, どのように学ぶか: コーディングエージェントのための隠れたセンサー
• Abstract要約: HiSentinelは、センチネルをプレエグゼクティションの介入を選択するために訓練する、後光蒸留フレームワークである。 SWE-Interveneは、ソフトウェアエンジニアリング軌道から構築されたアクションレベルデータセットである。 その結果、HiSentinelは、Sentinelスケールとコーディングエージェントファミリーのタスク補完を一貫して改善していることがわかった。
• 参考スコア（独自算出の注目度）: 11.392677007699362
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coding agents solve repository-level tasks through sequences of actions, where a single erroneous action can misdirect subsequent decisions and increase recovery costs. Existing approaches use execution feedback for recovery or specialized checks to block errors, but deciding before execution whether intervention will benefit eventual task completion remains challenging. To address this challenge, we propose HiSentinel, a hindsight-distillation framework that trains lightweight 0.6B and 1.7B sentinels to select pre-execution interventions aimed at improving task completion rather than correcting every imperfect action. A privileged teacher uses recorded execution outcomes as evidence for intervention judgments, which are distilled into a causal student that receives only the pre-action context and proposed action. Beyond identifying whether and when to intervene, the sentinel must also provide actionable feedback that helps the coding agent recover or obtain necessary human input. To support these capabilities, we introduce SWE-Intervene, an action-level dataset constructed from software-engineering trajectories that annotates whether an action should be allowed, autonomously redirected, or paused for human assistance, together with corresponding intervention feedback. Across SWE-bench Verified Mini and Ask or Assume, HiSentinel consistently improves task completion across Sentinel scales and coding-agent families, with gains of up to 14% and 10%, respectively, while maintaining competitive token consumption. These results demonstrate that lightweight pre-execution intervention can effectively prevent error propagation and improve the reliability of autonomous coding agents.
• Abstract（参考訳）: コーディングエージェントは、アクションのシーケンスを通じてリポジトリレベルのタスクを解決します。 既存のアプローチでは、リカバリや特別なチェックに実行フィードバックを使用してエラーをブロックしていますが、介入が最終的なタスク完了に役立つかどうかの判断は依然として難しいままです。 この課題に対処するため,軽度0.6Bと1.7Bのセンチネルをトレーニングし,すべての不完全な動作を補正するのではなく,タスク完了の改善を目的とした事前実行の介入を選択する,後光蒸留フレームワークであるHiSentinelを提案する。 特権教師は、記録された実行結果を介入判断の証拠として使用し、前アクションコンテキストと提案されたアクションのみを受ける因果学生に蒸留する。 介入するかどうかを識別する以外に、センチネルは、コーディングエージェントが必要な人間の入力を回復または取得するのに役立つ実用的なフィードバックを提供する必要がある。 これらの機能をサポートするために、ソフトウェアエンジニアリング軌道から構築されたアクションレベルのデータセットであるSWE-Interveneを導入する。 SWE-bench Verified Mini と Ask or Assume 全体で、HiSentinel はSentinel スケールとコーディングエージェントファミリのタスク補完を継続的に改善し、それぞれ 14% と 10% まで向上し、競争的なトークン消費を維持している。 これらの結果は、軽量な事前実行介入がエラーの伝播を効果的に防止し、自律型符号化エージェントの信頼性を向上させることを実証している。

関連論文リスト

• AutoIntervene: Calibrated Intervention for Action-Chunking Imitation Learning Policies [4.786936073180585]
  アクションチャンキングビズモータポリシは、デモから学び、時間的一貫性を改善する。 デプロイ中にアクションチャンキングポリシーとオペレータ間で制御を選択的に転送するオンラインフレームワークであるAutoInterveneを提案する。
  論文  参考訳（メタデータ） (2026-08-07T10:14:29Z)
• HERO: Hindsight-Enhanced Reflection from Environment Observations for Agentic Self-Distillation [50.53459634301361]
  HEROは、次の環境観測を局所的に整列したフィードバックとして利用する、後向きの自己蒸留フレームワークである。 HEROはタスク成功を改善し、環境フィードバックのみの自己蒸留とGRPOに対する不要なターンを減らす。
  論文  参考訳（メタデータ） (2026-06-10T01:35:34Z)
• MechRL: Reinforcement Learning Agents Perform Circuit Discovery for Mechanistic Interpretability [0.0]
  我々は回路発見を強化学習問題として再放送する。 エージェントは、離散的なアクション空間として、GPT-2の144個のアテンションヘッドを動作させる。 単一のPPOポリシーは、トレーニングタスクと保持された第3タスクの両方において、エピソード単位のオラクルを達成する。
  論文  参考訳（メタデータ） (2026-05-25T21:32:57Z)
• IMPACT-HOI: Supervisory Control for Onset-Anchored Partial HOI Event Construction [72.51952455865155]
  我々は,エゴセントリックなプロシージャビデオに注釈を付けるための混合開始型フレームワークIMPACT-HOIを提案する。 IMPACT-HOIは、このタスクを部分的に指定され、オンセットされたイベント状態の漸進的な解決として捉えている。 9人の参加者によるユーザスタディでは、手動のアノテーションアクションが13.5%減少し、46.67%のイベントマッチレート、確認されたフィールド違反がゼロである。
  論文  参考訳（メタデータ） (2026-05-03T01:37:40Z)
• SWE-Shepherd: Advancing PRMs for Reinforcing Code Agents [0.31034395048547575]
  既存のアプローチは、コード編集、ファイルナビゲーション、テスト実行などのアクションを選択するための静的なプロンプト戦略や手作業に依存している。 本稿では,プロセス・リワード・モデル(Process Reward Models,PRM)を導入するフレームワークであるSWE-Shepherdを提案する。 SWE-Bench Verifiedの実験では、インタラクション効率とアクション品質の改善に加えて、中間報酬と最終タスク成功の整合性の課題も強調されている。
  論文  参考訳（メタデータ） (2026-04-12T06:51:47Z)
• When Actions Go Off-Task: Detecting and Correcting Misaligned Actions in Computer-Use Agents [50.5814495434565]
  この研究は、コンピュータ利用エージェント(CUA)における不整合検出を定義し、研究する最初の試みである。 実世界のCUAデプロイメントにおける3つの一般的なカテゴリを特定し、人間の注釈付きアクションレベルのアライメントラベルを用いたリアルな軌跡のベンチマークであるMisActBenchを構築した。 本稿では,実行前に不整合を検知し,構造化されたフィードバックによって繰り返し修正する,実用的で普遍的なガードレールであるDeActionを提案する。
  論文  参考訳（メタデータ） (2026-02-09T18:41:15Z)
• Preemptive Detection and Correction of Misaligned Actions in LLM Agents [58.39520480675366]
  InferActは、実行前に不整合アクションを検出する新しいアプローチである。 タイムリーな修正をユーザーに警告し、有害な結果を防ぐ。 InferActは、ミスアライメントされたアクション検出におけるベースラインに対するMarco-F1の最大20%の改善を実現している。
  論文  参考訳（メタデータ） (2024-07-16T15:24:44Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• Utilizing Skipped Frames in Action Repeats via Pseudo-Actions [13.985534521589253]
  多くの深層強化学習では、エージェントがアクションを取ると、次のアクション決定点まで状態を観察しずに、事前定義された回数で同じアクションを繰り返します。 訓練データの量は、反復する行動の間隔に逆比例するので、トレーニングのサンプル効率に悪影響を及ぼす可能性がある。 疑似アクションの概念を導入してこの問題を緩和する,シンプルだが効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-07T02:43:44Z)

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。