論文の概要: When to Compile a Computer-Use Agent? Measuring Payback and Making Compilation Decisions for Token Efficiency

• arxiv url: http://arxiv.org/abs/2610.02932v1
• Date: Fri, 02 Oct 2026 07:22:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 09:54:32.242499
• Title: When to Compile a Computer-Use Agent? Measuring Payback and Making Compilation Decisions for Token Efficiency
• Title（参考訳）: コンピュータ・ユース・エージェントのコンパイルはいつ行うか?
• Abstract要約: PACE(Payback-Aware Compilation from Experience)は,測定プロトコルとオンラインコンパイルアルゴリズムを備えたシステムである。 測定プロトコルは、成功と失敗のコンパイルコストを記録し、一致したタスク入力に対するエージェントとプログラムの実行コストを比較し、使用当たりの貯蓄と返済回数を推定する。 記録されたタスク到着のシミュレーションでは、PACEはReActと比較してトークンコストを17.3%削減し、AutoRPAは24.9%、ToolProは17.3%削減した。
• 参考スコア（独自算出の注目度）: 25.097838963796296
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compiling GUI procedures that agents execute repeatedly into programs can reduce their token costs. However, measuring payback and deciding when to compile have two challenges. First, compilation costs are uncertain because attempts can require repair and still fail to produce a usable program. Second, future reuse is unknown because tasks may stop arriving or GUI drift may stop the program from working. To address these challenges, we propose PACE (Payback-Aware Compilation from Experience), a system with a measurement protocol and an online compilation algorithm. The measurement protocol records successful and failed compilation costs, and compares agent and program execution costs on matched task inputs to estimate per-use savings and payback counts. Using these measurements, the online algorithm compares estimated future savings with compilation costs, including failed attempts, based on past task arrivals and compilation outcomes. It checks execution and compilation charges against a cumulative budget determined by observed task arrivals before allowing either action. Under stated action-cost assumptions, total cost after each arrival is at most $1+ε$ times the cost of running every task with the agent. For successful compilation attempts, estimated payback counts excluding source agent runs are 2-16 uses. In simulations using recorded task arrivals, PACE reduces token costs by 17.3% compared with ReAct, 24.9% with the AutoRPA adaptation, and 17.3% with the ToolPro adaptation on average ($ε=0.25$).
• Abstract（参考訳）: エージェントをプログラムに繰り返し実行するGUIプロシージャをコンパイルすることで、トークンコストを削減できる。 しかし、報酬の測定とコンパイルのタイミングの決定には2つの課題がある。 第一に、試行は修理が必要であり、まだ使用可能なプログラムを作成できないため、コンパイルコストは不確実である。 第二に、タスクの到着が止まるか、GUIのドリフトがプログラムの動作を停止する可能性があるため、将来の再利用は知られていない。 これらの課題に対処するために、測定プロトコルとオンラインコンパイルアルゴリズムを備えたシステムであるPACE(Payback-Aware Compilation from Experience)を提案する。 測定プロトコルは、成功と失敗のコンパイルコストを記録し、一致したタスク入力に対するエージェントとプログラムの実行コストを比較し、使用当たりの貯蓄と返済回数を推定する。 これらの測定値を用いて、オンラインアルゴリズムは、過去のタスク到着とコンパイル結果に基づいて、予測した将来の貯蓄と、失敗した試行を含むコンパイルコストを比較する。 どちらのアクションも許可する前に、観察されたタスク到着によって決定される累積予算に対して実行とコンパイルの課金をチェックする。 アクションコストの仮定では、到着後の総コストは、エージェントですべてのタスクを実行するコストの1+ε$以上である。 コンパイルを成功させるためには、ソースエージェントの実行を除く推定返済回数は2～16回である。 記録されたタスク到着を用いたシミュレーションでは、PACEはReActと比較してトークンコストを17.3%削減し、AutoRPAは24.9%、ToolProは平均で17.3%削減した(ε=0.25$)。

関連論文リスト

• Learning What to Skip: Counterfactual Credit Assignment for Efficient Multi-Agent LLM Workflows [49.15875332210974]
  すべてのコンポーネントを実行することは、計算を無駄にしたり、正しい中間回答を上書きすることができる。 我々は、制御されたスキップ介入からアクション固有の安全モデルを学ぶ「Skip to Skip」について紹介する。 早期スキップが拒否されると、コントローラは実行を継続し、後続のコンポーネントを再考することができる。
  論文  参考訳（メタデータ） (2026-09-25T03:02:57Z)
• Do AI Agents Know When a Task Is Simple? Toward Complexity-Aware Reasoning and Execution [1.733151600403503]
  大規模言語モデル(LLM)エージェントは、ますます多段階のエンジニアリングと情報処理を自動化する。 彼らはしばしば、最大コンテキストファーストの戦略に従い、ファイルや依存関係を読み取り、一行の編集を小さなコードベースの監査に切り替える。 タスク対応型実行-スコープ推定の欠如を論じる。
  論文  参考訳（メタデータ） (2026-07-14T17:59:31Z)
• A Cost-Aware, Paired Protocol for Auditing Dynamic Tool Synthesis in Agentic Video Question Answering [2.1096366377985185]
  Agentic Video Questioning (VideoQA) システムは推論中にツールを呼び出すが、ツールライブラリは修正されている。 本稿では,ツール拡張ビデオエージェントの監査のための費用対プロトコルを提案する。
  論文  参考訳（メタデータ） (2026-07-01T21:01:57Z)
• To Run or Not to Run: Analyzing the Cost-Effectiveness of Code Execution in LLM-Based Program Repair [18.653708704742353]
  実行には時間がかかり費用もかかるが、プログラム修復エージェントへの影響は未調査のままである。 コード実行は分析されたすべてのエージェントとモデルで使用され、タスク毎に平均8.8のテスト実行が実行される。 現在のエージェントは実行を無差別に適用し、ほとんど利益が得られないインスタンスにコストを支払う。
  論文  参考訳（メタデータ） (2026-06-25T12:49:59Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)

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。