論文の概要: LabBook: Harnessing Experimental History for Efficient LLM-Driven Discovery

• arxiv url: http://arxiv.org/abs/2610.00675v1
• Date: Wed, 30 Sep 2026 20:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.753811
• Title: LabBook: Harnessing Experimental History for Efficient LLM-Driven Discovery
• Title（参考訳）: LabBook: 効率的なLCM駆動発見のための実験履歴
• Abstract要約: LabBookを中心に構築されたシンプルな単一エージェント発見ハーネスを紹介した。 LabBookはエージェントが保持するメモリであり、完全な実験ログから関連する証拠の検索を誘導し、新しいソリューションを生成するという2つの補完的な役割を果たす。 49のFrontier-CS問題において、LabBookは2つのバックボーンで評価された進化ベースラインに対する品質とコストのトレードオフを改善し、さらに9つの数学、システム、進化設計タスクで競争力を維持している。
• 参考スコア（独自算出の注目度）: 51.750606328130296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evolutionary approaches to LLM-driven discovery often generate new programs from a small set of selected ancestors. This keeps contexts manageable but can omit useful evidence from other experiments, whereas including the full experimental history produces long, redundant contexts. We introduce a simple, single-agent discovery harness built around LabBook, an agent-maintained memory that serves two complementary roles: guiding retrieval of relevant evidence from a complete experimental log and informing the generation of new solutions. At each iteration, the same agent combines its memory with retrieved evidence and jointly produces the next program and an updated LabBook. This separates complete history retention from selective context construction, without requiring an explicit population or branching search structure. On 49 Frontier-CS problems, LabBook improves the observed quality-cost trade-off over the evaluated evolutionary baselines with two backbones, while remaining competitive across nine additional mathematical, systems, and heuristic-design tasks. Code will be released at https://github.com/BoYuanVisionary/LabBook.
• Abstract（参考訳）: LLMによる発見への進化的アプローチは、しばしば選択された祖先の小さなセットから新しいプログラムを生成する。 これはコンテキストを管理可能であるが、他の実験から有用な証拠を省略することができる一方、完全な実験履歴を含むと長い冗長なコンテキストが生成される。 完全実験ログから関連する証拠の検索を誘導し,新たなソリューションの生成を通知する,2つの補完的な役割を担うエージェント管理メモリであるLabBookを中心に構築された,シンプルな単一エージェント検出ハーネスを紹介した。 各イテレーションにおいて、同じエージェントがそのメモリと検索されたエビデンスを組み合わせて、次のプログラムと更新されたLabBookを共同で生成する。 これにより、明示的な集団や分岐検索構造を必要とせず、完全な履歴保持を選択的な文脈構築から切り離すことができる。 49のFrontier-CS問題において、LabBookは2つのバックボーンで評価された進化ベースラインに対する品質とコストのトレードオフを改善し、さらに9つの数学、システム、ヒューリスティック設計タスクで競争力を維持している。 コードはhttps://github.com/BoYuanVisionary/LabBook.comで公開される。

関連論文リスト

• RetroAgent: Harnessing LLMs to Search Over Structured Memory for Agentic Retrosynthesis Planning [42.57018169779999]
  RetroAgentは、構造化メモリを備えたハーネスを通じて、シンボル検索と神経推論をブリッジする。 分布内および分布外ベンチマークの実験は、RetroAgentが強力な性能と一般化を提供することを示した。
  論文  参考訳（メタデータ） (2026-07-16T03:05:38Z)
• Claw AI Lab: An Autonomous Multi-Agent Research Team [73.07229229907435]
  今回紹介するClaw AI Labは,ラボネイティブな自律型研究プラットフォームである。 1つのエージェントや固定されたシリアルワークフローを中心にシステムを集中するのではなく、ユーザーは1つのプロンプトから完全な研究チームをインスタンス化できる。 Claw-Code Harnessはローカル、データセット、チェックポイントを接続して実行可能な実験を行い、実行成果物を研究ループにフィードバックする。
  論文  参考訳（メタデータ） (2026-05-21T16:02:53Z)
• From I/O to Code with Discovery Agent [103.88427301265669]
  IO2Codeの発見エージェントであるDIO-Agentを提案する。 本手法は,プログラム空間上の進化的探索としてIO2Codeをフレーム化する。 大規模な実験により、DIO-Agentは従来のプログラムバイサンプル法とSOTA進化エージェントベースラインの両方を一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-05-14T18:57:32Z)
• From Reproduction to Replication: Evaluating Research Agents with Progressive Code Masking [48.90371827091671]
  AutoExperimentは、AIエージェントの機械学習実験の実装と実行能力を評価するベンチマークである。 我々は最先端のエージェントを評価し、n$が増加するにつれて性能が急速に低下することを発見した。 本研究は、長期コード生成、文脈検索、自律的な実験実行における重要な課題を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-06-24T15:39:20Z)
• OneGen: Efficient One-Pass Unified Generation and Retrieval for LLMs [44.054569398300266]
  ワンパス生成・検索フレームワーク(OneGen) OneGenは、自動回帰的に生成された検索トークンを組み込むことで、生成と検索のための従来の別々のトレーニングアプローチを橋渡しする。 その結果,LLMの生成能力を維持しつつ,検索性能の向上を図っている。
  論文  参考訳（メタデータ） (2024-09-08T16:35:19Z)
• EVOR: Evolving Retrieval for Code Generation [17.46870626157077]
  検索拡張コード生成のための既存のパイプラインは、単一のソースを持つ静的ナレッジベースを使用している。 我々は,クエリと多様な知識ベースを同期的に進化させる新しいパイプラインEVORを開発した。
  論文  参考訳（メタデータ） (2024-02-19T17:37:28Z)
• Prompt Conditioned VAE: Enhancing Generative Replay for Lifelong Learning in Task-Oriented Dialogue [80.05509768165135]
  生成的再生法は、過去の知識と生成された擬似サンプルを統合するために広く用いられている。 既存の生成的再生法の多くは、モデルを制御するために単一のタスク固有のトークンのみを使用する。 本稿では,タスクの統計を取り入れて生成的再生を向上させるために,生涯学習のための新しい条件付きVAEを提案する。
  論文  参考訳（メタデータ） (2022-10-14T13:12:14Z)
• CorpusBrain: Pre-train a Generative Retrieval Model for Knowledge-Intensive Language Tasks [62.22920673080208]
  単一ステップ生成モデルは、検索プロセスを劇的に単純化し、エンドツーエンドで最適化することができる。 我々は、事前学習された生成検索モデルをCorpsBrainと名付け、コーパスに関する全ての情報が、追加のインデックスを構築することなく、そのパラメータにエンコードされる。
  論文  参考訳（メタデータ） (2022-08-16T10:22:49Z)

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。