論文の概要: SHarP: Saliency-based Pruning of Agent Harnesses
- arxiv url: http://arxiv.org/abs/2610.04178v1
- Date: Sat, 03 Oct 2026 00:41:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-12 19:32:28.909468
- Title: SHarP: Saliency-based Pruning of Agent Harnesses
- Title（参考訳）: SHarP:Saliency-based Pruning of Agent Harnesss
- Abstract要約: Agentは、モデル呼び出し、ツールの使用、タスクの実行を調整することで、大規模な言語モデルが複雑なタスクを完了するのを助ける。
結果として、いくつかのハーネスモジュールが冗長であるかどうかは不明である。
ニューラルネットワークのプルーニングにインスパイアされた我々は、タスクパフォーマンスとトークンコストのバランスを改善する手段として、ハーネスプルーニングを研究した。
- 参考スコア（独自算出の注目度）: 55.076331468597594
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Agent harnesses are systems that coordinate model calls, tool use, and task execution to help large language models complete complex tasks. To meet task requirements and address failures, these systems are often iteratively refined by amending and patching their instructions, tools, and workflows, continuously increasing harness complexity. It is therefore unclear whether some resulting harness modules are redundant, introducing substantial token overhead with little, if any, performance gain. Inspired by neural network pruning, in this paper, we study harness pruning as a means of striking a better balance between task performance and token cost. We propose SHarP (Saliency-based Harness Pruning), a simple yet effective pruning strategy based on the saliency of each harness module with respect to performance and efficiency. Specifically, we first identify tools, instructions, and supporting mechanisms as components that can be individually disabled. We then estimate the saliency of each module by ablating it and assessing its task performance and token cost relative to the full set of single-module ablations. Modules with the smallest contribution to performance or largest computational overhead are subsequently pruned. Our evaluation across various harnesses on held-out validation sets reveals a surprising finding: most harnesses that we studied are highly redundant and can maintain comparable performance and efficiency even after a substantial portion of their modules are pruned. Our pruning approach and empirical findings provide new perspectives on agent harness design and optimization.
- Abstract（参考訳）: エージェントハーネスは、大規模な言語モデルが複雑なタスクを完了するのを助けるために、モデル呼び出し、ツールの使用、タスク実行を調整するシステムである。
タスク要件と障害に対処するため、これらのシステムは命令やツール、ワークフローを修正・パッチすることで反復的に洗練され、ハーネスの複雑さが継続的に増加します。
したがって、結果のハーネスモジュールが冗長であるかどうかは不明であり、パフォーマンスがほとんどなくても、かなりのトークンオーバーヘッドを発生させる。
本稿では,ニューラルネットワークのプルーニングにヒントを得て,タスク性能とトークンコストのバランスを改善する手段として,ハーネスプルーニングについて検討する。
SHarP (Saliency-based Harness Pruning) は,各ハーネスモジュールのサリーネスに基づく簡易かつ効果的なプルーニング戦略である。
具体的には、まずツール、命令、サポートメカニズムを個別に無効化できるコンポーネントとして識別する。
次に、各モジュールの正当性を評価し、そのタスク性能とトークンコストを、単一モジュールの完全セットに対して評価することで推定する。
パフォーマンスや最大の計算オーバーヘッドへの最小の貢献を持つモジュールは、その後刈り取られる。
私たちが研究したハーネスの多くは、非常に冗長であり、モジュールのかなりの部分が刈り取られても、同等のパフォーマンスと効率を維持することができます。
我々の刈り取り手法と経験的発見は,エージェントハーネスの設計と最適化の新しい視点を提供する。
関連論文リスト
- MESH-Harness: Self-Improving Agent Harnesses via Bandit-Guided Compositional Evolution [51.00839146188019]
MESH-Harnessは、各ハーネスを明示的なロール固有のインターフェイスを持つ機能モジュールにまとめる。
Mixed-start coordinate ascentは、空間を列挙することなく、評価のための完全な構成を選択する。
繰り返しハーネス最適化はMESH-Harnessを5.63-7.79ポイント改善した。
論文 参考訳（メタデータ） (2026-10-04T15:22:23Z) - 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) - Beyond the Model: Demystifying Harness Effects in Software Engineering Agents [19.918701706722356]
大規模言語モデル(LLM)ベースのコーディングエージェントは、ソフトウェア工学のタスクにますます使われています。
SEエージェントがリポジトリと相互作用し、アクションを実行し、ソリューションを検証する方法を形作る。
本研究は,SE剤のハーネス効果に関する系統的研究である。
論文 参考訳（メタデータ） (2026-09-26T10:49:28Z) - $A^2E$ : An End-to-End Agent Auditing Engine [25.281617098281277]
A2E$はエージェントハーネス用に設計されたエンドツーエンドの評価エンジンである。
実験中に標準化された実行トレースをキャプチャして生成する。
A2E$は多次元メトリクスのスイートを使用してハーネス機能を評価する。
論文 参考訳（メタデータ） (2026-08-07T15:44:12Z) - EASy: Towards Efficient LLM-Based Agentic System [54.10819421625103]
強化学習によるタスク性能と計算効率を協調的に最適化する訓練可能なエージェントフレームワークであるEASyを提案する。
EASyはLLMベースのオーケストレータに異種エグゼキュータの能力とコストプロファイルを明確に把握し、パフォーマンスのみのルーティング以上のコンテキスト依存的な調整を可能にする。
さらに、複雑なタスクを管理可能なマイルストーンに分解し、依存性を意識した実行グラフを構築し、適切なエグゼキュータを割り当て、その後の決定を中間的な結果に適用しながら、独立したステップを並列化するマイルストーン計画実行ワークフローも導入されている。
論文 参考訳（メタデータ） (2026-08-05T08:50:36Z) - 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) - Integrating Diverse Assignment Strategies into DETRs [61.61489761918158]
ラベル割り当ては、特にDETRスタイルのフレームワークにおいて、オブジェクト検出器において重要なコンポーネントである。
我々は,任意のDETR型検出器に多様な割り当て戦略をシームレスに統合する,フレキシブルで軽量なフレームワークであるLoRA-DETRを提案する。
論文 参考訳（メタデータ） (2026-01-14T07:28:54Z) - Purifying Task Vectors in Knowledge-Aware Subspace for Model Merging [83.5273168208788]
モデルマージは、個別に調整されたモデルのタスク固有の能力を、余分なトレーニングなしで単一のモデルに統合することを目的としている。
統合モデルは、タスクベクトルのタスク非関連冗長性に起因する競合により、しばしば顕著なパフォーマンス劣化に悩まされる。
本稿では,これらの課題を克服するために,知識対応サブ空間におけるTAsk Vectors (PAVE) の純粋化を提案する。
論文 参考訳（メタデータ） (2025-10-16T14:02:57Z)
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。