論文の概要: AgSpec: Pushing the Limits of Retrieval-Based Speculative Decoding in Coding Agent Pipelines

• arxiv url: http://arxiv.org/abs/2610.01108v1
• Date: Thu, 01 Oct 2026 05:48:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.922458
• Title: AgSpec: Pushing the Limits of Retrieval-Based Speculative Decoding in Coding Agent Pipelines
• Title（参考訳）: AgSpec: コーディングエージェントパイプラインにおける検索ベースの投機的デコーディングの限界を押し上げる
• Abstract要約: AgSpecは、既存の検索エンジンがコーディングエージェントパイプラインに欠けているコーパスとドラフト長ポリシーを提供するフレームワークである。 2つのリポジトリレベルのマルチエージェントコーディングベンチマークでは、AgSpecは5つの検索ベースのドラフトアを上回っている。 AgSpecは、リポジトリやマルチエージェントパイプラインのないベンチマークでも有効である。
• 参考スコア（独自算出の注目度）: 11.871671481556183
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Retrieval-based speculative decoding (SD) drafts tokens by copying continuations from existing text, which suits coding agents that repeatedly reproduce code, logs, and earlier attempts. Yet existing methods fall short in agent pipelines: much of the reusable text is missing from their corpora or stored in a form that differs from what the agent emits, and their draft lengths ignore that accept length varies across agents and drifts over turns. We present AgSpec, a framework that supplies the corpus and draft-length policies that existing retrieval engines lack in coding-agent pipelines. AgSpec retrieves from session, workspace, and global corpora, retaining the ongoing session trajectory and indexing opened files in the agent's emission format. It bounds each agent's draft length with an offline-profiled cap and adapts the length online from verification feedback. On two repository-level multi-agent coding benchmarks, AgSpec outperforms five retrieval-based drafters and EAGLE-3 in most evaluated settings, raising generation throughput over autoregressive decoding up to 4.37$\times$ at batch size 1 and 4.76$\times$ at batch size 16. AgSpec also remains effective on benchmarks without a repository or a multi-agent pipeline, showing that its gains generalize to coding agents broadly.
• Abstract（参考訳）: Retrieval-based Speculative Decoding (SD)は、既存のテキストからの継続をコピーすることでトークンをドラフトする。 しかし、既存のメソッドはエージェントパイプラインでは不足している。再利用可能なテキストの多くは、コーパスから欠落しているか、エージェントの出力と異なる形式で保存されている。 本稿では,既存の検索エンジンがコーディングエージェントパイプラインに欠けているコーパスとドラフト長ポリシを提供するフレームワークであるAgSpecを紹介する。 AgSpecはセッション、ワークスペース、グローバルコーパスから取り出し、進行中のセッションの軌跡を保持し、エージェントのエミッションフォーマットでオープンファイルをインデックスする。 各エージェントのドラフト長をオフラインのキャップにバインドし、検証フィードバックからオンライン長を適応させる。 2つのリポジトリレベルのマルチエージェントコーディングベンチマークにおいて、AgSpecは5つの検索ベースのドラフトとERGLE-3を最も評価された設定で上回り、自動回帰デコードよりも4.37$\times$と4.76$\times$のバッチサイズで生成スループットを向上した。 AgSpecは、リポジトリやマルチエージェントパイプラインのないベンチマークでも有効であり、その利益がコーディングエージェントに広く一般化されていることを示している。

関連論文リスト

• Do Coding Agents Reuse Existing Code or Reinvent the Wheel? [22.53314827257015]
  実際のリポジトリでコード再利用を監査するためのベンチマークである textbfRepoReuse を提示する。 ASTベースの依存性グラフ、ガイド付きエビデンス収集、実行検証タスク合成を組み合わせた、完全に自動化されたパイプラインで構築されている。 3000回以上の監査では、エージェントが関連するリポジトリコードの探索を徐々に停止し、ワークスペースに完全に入っている場合でも、自身の履歴の再利用を減らし、タスクチェーンの50.8%に重複ロジックを残していることが示されている。
  論文  参考訳（メタデータ） (2026-09-28T15:04:27Z)
• RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
  正規化再帰的自己改善型エージェント・ハーネス(RRSI) 本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。 RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
  論文  参考訳（メタデータ） (2026-09-21T17:54:49Z)
• RefactorPlatform: An Open-Source Harness for Controlled Evaluation of Repository-Scale Refactoring Agents [0.09320657506524148]
  RefactorPlatformは、環境を固定し、各設計軸を変化させるオープンソースの評価ハーネスである。 各実行は、ライブ端末ストリーミング、トークン、差分、およびトランスクリプトのタスクごとのロギング、ASTベースの検証、監査と再生のためのエクスポート可能なテレメトリを備えた、独立したワークスペースで実行される。
  論文  参考訳（メタデータ） (2026-09-04T08:58:10Z)
• Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
  AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。 コードには手書きのコードはなく、人間による注釈もない。 エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
  論文  参考訳（メタデータ） (2026-07-17T17:41:16Z)
• VeriEvol: Scaling Multimodal Mathematical Reasoning via Verifiable Evol-Instruct [71.22358682581215]
  ビジュアルな数学的推論のための強化学習のスケーリングは、難しい質問を生成すること以上のものを必要とします。 これは2つのコンポーネントからなる反復的なフレームワークであるVeriEvolとしてインスタンス化します。 5ベンチマークのビジュアル・マス・スイートでは、10Kから250KサンプルまでのSFTデータのスケーリングが平均精度を35.42から54.73に引き上げている。
  論文  参考訳（メタデータ） (2026-06-22T16:17:30Z)
• Scaling Self-Evolving Agents via Parametric Memory [69.96398842169002]
  既存のメモリ拡張LDMエージェントは、過去の経験をプロンプト空間にのみ保存する。 自己進化型パラメトリックメモリフレームワークである textttTMEM を導入する。 textttTMEMは、様々なモデルスケールで要約ベースのベースラインと検索ベースのベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-03T07:18:31Z)
• Code Broker: A Multi-Agent System for Automated Code Quality Assessment [0.0]
  我々はGoogle Agent Development Kit ADKで構築されたマルチエージェントシステムであるCode Brokerを紹介する。 ファイル、ローカルディレクトリ、GitHubリポジトリからPythonコードを解析し、実行可能な品質評価レポートを生成する。
  論文  参考訳（メタデータ） (2026-04-25T00:53:59Z)
• Resilient Write: A Six-Layer Durable Write Surface for LLM Coding Agents [0.0]
  レジリエント・ライト(Resilient Write)は、エージェントとサーバの間に6層の耐久性のある書き込みサーフェスを介するMPPサーバである。 各レイヤは、2026年4月の実際のエージェントセッションで観測された具体的な障害モードにマップされる。 186-testスイートは各層での正当性を検証し、エージェントの自己補正率を13倍改善する。
  論文  参考訳（メタデータ） (2026-04-12T22:23:55Z)
• DiffuSpec: Unlocking Diffusion Language Models for Speculative Decoding [66.40658898418316]
  DiffuSpecは、事前訓練された拡散言語モデル(DLM)を用いて、単一のフォワードパスでマルチトークンのドラフトを生成する、トレーニングフリーのドロップインフレームワークである。 ベンチマーク全体を通じて、DiffuSpecは最大3倍のウォールクロックスピードアップを達成し、投機的復号化のための自己回帰型ドラフトラの堅牢な代替手段として拡散ベースのドラフトを確立する。
  論文  参考訳（メタデータ） (2025-09-28T07:00:15Z)

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。