論文の概要: Organising Trajectory Evidence for Language-Model Agent Assurance: Fragments, Methods, and the Residual
- arxiv url: http://arxiv.org/abs/2610.04710v1
- Date: Sat, 03 Oct 2026 18:51:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 17:29:51.442618
- Title: Organising Trajectory Evidence for Language-Model Agent Assurance: Fragments, Methods, and the Residual
- Title（参考訳）: 言語モデルエージェント保証のための軌道証拠の編成:フラグメント, 方法, 残余
- Abstract要約: 言語モデルエージェントを評価する方法は、ログ上のルールチェッカーを含む。
それぞれがランの異なる部分を観察し、異なる強さを主張する。
ロジック、情報フラグメント、保証台帳から構築したものを与えます。
- 参考スコア（独自算出の注目度）: 15.619022523703416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Methods for assessing language-model agents include rule checkers over logs, analyses of skill coverage and composition, support checkers, prefix monitors, execution gates, and rare-event estimators. Each observes a different part of a run and makes a claim of a different strength, and no common account says how these claims combine or what they leave unchecked. We give one, built from a logic, information fragments, and an assurance ledger. Requirements are formulas of a two-tier logic: an outer finite-trace temporal logic over recorded events, and an inner logic of standing over the argument structure that the agent's recorded context supports at a decision. A rule violation and an action taken on withdrawn support are thus formulas of one language. The information available to an assessor, to the agent, and to an execution gate defines fragments of that language; each checking method decides one fragment and returns a typed claim: exact, on a named test suite, a risk bound, or descriptive. The ledger merges the evidence and classifies every obligation as established, addressed but not established, or unaddressed. On 456 released $τ^2$-bench telecom trajectories, the benchmark oracle flags 231 runs; adding a rule checker, a support stand-in, and a prefix-monitor baseline raises the union to 391, 401, and 407, each contributing flags the others miss, and a gate makes one prohibition exact on a gated deployment. The 49 unflagged runs and the unmet or unaddressed obligations form the residual. Discovery makes unknown requirements explicit, and new or stronger checkers then reduce it.
- Abstract（参考訳）: 言語モデルエージェントを評価する方法は、ログ上のルールチェッカー、スキルカバレッジと構成の分析、サポートチェッカー、プレフィックスモニター、実行ゲート、レアイベント推定器などである。
それぞれが実行中の異なる部分を観察し、異なる強度の主張を行う。
ロジック、情報フラグメント、保証台帳から構築したものを与えます。
要件は、記録されたイベントの外側の有限トレース時間論理と、エージェントが記録したコンテキストが決定でサポートする引数構造の上に立つ内部論理である。
したがって、規則違反と取り下げられた支援に関する行動は、1つの言語の公式である。
各チェックメソッドは1つのフラグメントを決定し、型付きクレームを返します。正確には、名前付きテストスイート、リスクバウンド、あるいは記述的です。
帳簿は証拠を統合し、確立された、解決された、確立されていない、または未承認の、すべての義務を分類する。
456年にリリースされた$τ^2$-bench Telecom trajectoriesでは、ベンチマークオラクルフラグ231が実行され、ルールチェッカー、サポートスタンドイン、プレフィックス監視ベースラインが追加され、コントリビューションが391、401、407に上昇し、各コントリビューションフラグが他のフラグを見逃し、ゲートがゲート配置を正確に1つ禁止する。
49条の未定の走行と、未定または未定の義務が残余を構成する。
発見は未知の要求を明確にし、新しいチェッカーやより強力なチェッカーがそれを減らす。
関連論文リスト
- Functionally Equivalent or Not? Graph-Grounded Differential Surrogate Execution for Code Equivalence [10.45005458481016]
FEAgentは、型付きプログラムグラフエビデンスと差分代理実行を組み合わせた選択等価評価エージェントである。
そのオラクルに対する不一致はすべて、直接実行によって判断され、ベンチマークラベルと単体テストのみのスコアで見逃された振る舞いの相違が明らかになる。
EquiBenchでは、1200個の評価済みペアのうち216個(18.0%)、SWE-bench Verifiedでは331個のテストパスエージェントパッチ(28.4%)が参照パッチから分岐している。
論文 参考訳（メタデータ） (2026-10-03T08:19:45Z) - VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。
それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。
我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
論文 参考訳（メタデータ） (2026-09-02T20:36:45Z) - Stored Is Not Supported: Typed Provenance and Assertion Guardrails for Persistent AI Agents [2.124730017640531]
永続AIエージェントは、リフレクション、検索、統合を通じて自伝的状態を構築する。
自伝的アサーション境界性に対する型付き前置詞とアサーションガードレールを指定する。
論文 参考訳（メタデータ） (2026-09-02T05:35:33Z) - TRACE: An Operational Reasoning Schema for Auditable Agentic Commitments [0.0]
TRACE (Typed Reasoning And Commitment Evidence) は、推論トレースを記録するためのタイプ付きバージョン付きスキーマである。
論文は3つのレイヤで、推論は言語モデルにはない、と論じている。
レコード消費者契約は、レコードが保証するものと、その見返りに消費者が尊重すべきものを記述する。
論文 参考訳（メタデータ） (2026-07-14T08:08:21Z) - From Prompts to Contracts: Harness Engineering for Auditable Enterprise LLM Agents [0.24554686192257424]
製品化は、ソースバウンダリ、エンティティルーティング、回答コントラクト、再現可能なトレースの要件を追加します。
本稿では,このパターンをトレース可能な監査可能なLLMエージェントアーキテクチャに再構成するハーネスエンジニアリング手法を提案する。
韓国の5つの企業グループの公開データスライスでインスタンス化し、3つの研究課題を評価する。
論文 参考訳（メタデータ） (2026-07-09T01:08:33Z) - Affordance Agent Harness: Verification-Gated Skill Orchestration [45.231685718099264]
Affordance groundingは、オープンワールドのシーンでエージェントがどこでどのように対話すべきかを特定する必要がある。
本稿では,エビデンスストアとコストコントロールを備えたクローズドループランタイムであるAffordance Agent Harnessを提案する。
論文 参考訳（メタデータ） (2026-05-01T13:45:16Z) - A Trace-Based Assurance Framework for Agentic AI Orchestration: Contracts, Testing, and Governance [0.22940141855172028]
本稿では,Large Language Models (LLM) を用いたエージェントAIシステムの保証フレームワークを提案する。
実行は、明示的なステップとトレースコントラクトを備えたメッセージ・アクション・トレース(MAT)として実装される。
このフレームワークは、有界摂動に対する予算付き反例探索として定式化されたストレステストを含む。
論文 参考訳（メタデータ） (2026-03-18T10:23:48Z) - Laser: Governing Long-Horizon Agentic Search via Structured Protocol and Context Register [38.329346729947304]
本稿では,エージェント検索の安定化とスケーリングのためのフレームワークであるLaserを紹介する。
レーザーはエージェントの振る舞いを計画、タスク解決、振り返りの3つの空間に整理する。
レーザーは、プロンプトオンリーと微調整設定の両方で既存のエージェント検索ベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2025-12-23T15:53:33Z) - FIRE: Fact-checking with Iterative Retrieval and Verification [63.67320352038525]
FIREはエビデンス検索とクレーム検証を反復的に統合する新しいフレームワークである。
大きな言語モデル(LLM)のコストを平均7.6倍、検索コストを16.5倍削減しながら、パフォーマンスが若干向上している。
これらの結果から,FIREは大規模ファクトチェック業務における適用を約束していることが明らかとなった。
論文 参考訳（メタデータ） (2024-10-17T06:44:18Z)
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。