論文の概要: Turbo Harness: Instance-Adaptive Harness Optimization
- arxiv url: http://arxiv.org/abs/2609.40330v1
- Date: Wed, 30 Sep 2026 17:56:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:28.339332
- Title: Turbo Harness: Instance-Adaptive Harness Optimization
- Title（参考訳）: ターボハーネス:インスタンス適応ハーネス最適化
- Abstract要約: Turbo Harnessは、元の最適化プロセスで生成された情報を再利用することで、各インスタンスにグローバルに最適化されたハーネスを適用することができる。
対話型エージェントタスク,ソフトウェアエンジニアリング,長期端末タスクにまたがる7つのベンチマークにおいて,Turbo Harnessが既存の最適化基準を一貫して上回ることを示す。
- 参考スコア（独自算出の注目度）: 35.026322052540486
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automating the search for effective harnesses is an important step toward enabling agents to recursively self-improve. Existing harness optimizations typically produce a single global harness that is applied uniformly across task instances. However, a harness that works well on average may not be optimal for every instance. We introduce Turbo Harness, a framework that can adapt a globally optimized harness to each instance by reusing information generated during the original optimization process. Specifically, Turbo Harness recycles artifacts produced during a completed global harness optimization run, and summarizes them into a structured playbook. We train a harness editor to leverage this prior optimization experience to generate instance-specific patches to the global harness. At inference time, the editor uses the instance and the playbook to construct a tailored harness in which the execution model operates. Through numerical experiments, we show that Turbo Harness consistently outperforms existing harness optimization baselines across seven benchmarks spanning interactive agent tasks, software engineering, and long-horizon terminal tasks.
- Abstract（参考訳）: 効果的なハーネスの探索を自動化することは、エージェントが再帰的に自己改善できるための重要なステップである。
既存のハーネス最適化は、通常、タスクインスタンス全体に一様に適用される単一のグローバルハーネスを生成する。
しかし、平均的にうまく動作するハーネスは、すべてのインスタンスに最適ではないかもしれない。
元の最適化プロセスで生成された情報を再利用することで、グローバルに最適化されたハーネスを各インスタンスに適用できるフレームワークであるTurbo Harnessを紹介します。
特に、Turbo Harnessは、完成したグローバルハーネス最適化実行中に生成されたアーティファクトをリサイクルし、それらを構造化されたプレイブックに要約する。
我々は、この事前最適化エクスペリエンスを活用するためにハーネスエディタをトレーニングし、グローバルハーネスにインスタンス固有のパッチを生成する。
推論時に、エディタはインスタンスとプレイブックを使用して、実行モデルが動作するように調整されたハーネスを構築する。
数値実験により,Turbo Harnessは,対話型エージェントタスク,ソフトウェア工学,長期端末タスクにまたがる7つのベンチマークにおいて,既存の最適化基準を一貫して上回ることを示す。
関連論文リスト
- Composing Task-specific Agent Harnesses at Test Time with Reusable Primitives [30.825421849275184]
エージェントハーネスは、大規模言語モデルがどのようにコンテキストを収集し、ツールを実行し、結果を検証し、状態を保存し、終了するかを管理する。
本稿では、Harness Primitivesを導入し、アプリケーションのスコープを明確にした再利用可能なハーネス機構と、故障したタスク軌跡から抽出したコンポジション契約について紹介する。
本稿では、Harness Primitivesに基づいて、タスク情報に対して適切なプリミティブを選択し、テスト時にTask-speCific HarnessesにコンパイルするフレームワークSTITCHを提案する。
論文 参考訳（メタデータ） (2026-09-30T03:57:46Z) - AutoSaddler: Automatic Harness Optimization with Durable Updates from Agent Execution Traces [61.51487329124135]
AutoSaddlerは、オフラインの学習問題として改善を活用するフレームワークである。
ミニバッチからの障害信号を使用して、ハーネスを反復的に更新する。
GAIA2, SWE-Bench Pro, Terminal-Bench 2.0 の実験により, AutoSaddler はエージェント性能を大幅に向上することが示された。
論文 参考訳（メタデータ） (2026-08-24T09:45:08Z) - Automated Discovery Has No Universally Superior Harness [63.53666712024897]
我々はOpenEvolveスタイルの進化的探索とTT-Discoverサーチハーネスを構成成分に分解する。
12組のモデルプロブレムペアで30個の予算整合ハーネスを評価した。
論文 参考訳（メタデータ） (2026-07-20T17:59:37Z) - MemoHarness: Agent Harnesses That Learn from Experience [46.167787606315585]
私たちはMemoHarnessを紹介した。MemoHarnessは適応型ハーネス最適化フレームワークで、独自の実行から学習する。
MemoHarnessは、ハーネスを6つの編集可能なコントロールディメンションに分解し、ケースごとの診断と蒸留されたグローバルパターンを二重層体験バンクに格納する。
MemoHarnessは、シェルエージェント、コードジェネレーション、分析推論ベンチマークを対象とし、私たちが比較した固定ハーネスよりも改善し、目に見えないスイートやベースモデルへの選択的移行を示す。
論文 参考訳（メタデータ） (2026-07-14T21:22:18Z) - Evolving Agents in the Dark: Retrospective Harness Optimization via Self-Preference [51.55077364626896]
本稿では,過去の軌道のみを用いたエージェント・ハーネスを最適化する自己教師型手法であるRetrospective Harness Optimization (RHO)を紹介する。
RHOは、過去の軌跡から様々な課題のコアセットを選択し、それらを並列に解決する。
1回の最適化ラウンドでは、SWE-Bench Proのパスレートが59%から78%に向上する。
論文 参考訳（メタデータ） (2026-06-04T09:26:00Z)
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。