論文の概要: GitSwarm: Decentralized Compounding Inference

• arxiv url: http://arxiv.org/abs/2610.04862v1
• Date: Sun, 04 Oct 2026 02:03:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 08:23:05.474307
• Title: GitSwarm: Decentralized Compounding Inference
• Title（参考訳）: GitSwarm: 分散複合推論
• Abstract要約: 長期水平問題の解法と科学的研究は、連続した試みにまたがって計算を蓄積する必要がある。 我々はこのパラダイムを複合推論と呼び、中間処理が持続するように推論時間計算を編成する。 GitSwarmは、均質なエージェントが個別にタスクを前進させる方法を決定する非同期システムである。
• 参考スコア（独自算出の注目度）: 84.72724444710651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon problem solving and scientific research require computation to accumulate across successive attempts. Partial solutions, experimental findings, and unsuccessful approaches can inform later work, yet most inference-time computation is organized around individual trajectories or candidates rather than a persistent body of reusable work. We call this paradigm compounding inference: organizing inference-time computation so that intermediate work persists and can be inspected, extended, combined, or challenged by subsequent computation. We instantiate compounding inference in GitSwarm, an asynchronous system where homogeneous agents independently decide how to advance a task while collaborating through structured persistent memory. Agents explore, experiment, verify, refine, and synthesize previous work in a shared, branch-able Git repository. Atomic commits preserve intermediate artifacts, while explicit semantic dependencies record how later contributions build on work across branches. We evaluate GitSwarm on long-horizon problem solving and sustained GPU-backed experimental research. On IMOProofBench-Advanced, GitSwarm solves all 30 problems in one run using GPT-5.5. On ProgramBench, it achieves a $79.4\%$ mean score, versus $65.1\%$ for the strongest reported baseline under the stated budget. On three neural architecture research tasks (Residual Matrix Transformer, Looped Transformer, NanoChat), GitSwarm improves upon the starting architectures through successive experimentation. Beyond final performance, we measure whether computation accumulates: on ProgramBench, $94.7\%$ of contributions are subsequently built upon, while the selected solution's ancestry covers $82-93\%$ of the contribution graph. These results show that inference-time computation can accumulate across otherwise independent episodes, forming an evolving body of work that subsequent inference can reuse.
• Abstract（参考訳）: 長期水平問題の解法と科学的研究は、連続する試みにまたがって計算を蓄積する必要がある。 部分解、実験結果、そして失敗したアプローチは、後続の成果を知らせることができるが、ほとんどの推論時間計算は、再利用可能な作業の永続体ではなく、個々の軌跡や候補を中心に構成されている。 中間的な作業が継続し、検査、拡張、組み合わせ、あるいはその後の計算で挑戦できるように、推論時計算を整理する。 我々は、構造化された永続メモリを通して協調しながらタスクの進行を独立に決定する非同期システムであるGitSwarmの複合推論をインスタンス化する。 エージェントは、共有可能なブランチ可能なGitリポジトリで以前の作業を探索し、実験し、検証し、洗練し、合成する。 アトミックコミットは中間アーティファクトを保持し、明示的なセマンティック依存関係は、後のコントリビューションがブランチ間でどのように動作するかを記録する。 我々は、GitSwarmを長期の問題解決と持続GPUによる実験研究で評価する。 IMOProofBench-Advancedでは、GitSwarmがGPT-5.5を使用して1回の実行で30の問題を全て解決している。 ProgramBenchでは79.4\%の平均スコアを達成しているが、予算で報告された最強のベースラインは65.1\%である。 3つのニューラルアーキテクチャ研究タスク(Residual Matrix Transformer、Looped Transformer、NanoChat)において、GitSwarmは連続的な実験を通じて開始アーキテクチャを改善している。 ProgramBenchでは、94.7 % のコントリビューションがその後構築され、選択されたソリューションの祖先はコントリビューショングラフの 82-93 % をカバーしています。 これらの結果は、推論時間計算が他の独立したエピソードにまたがって蓄積できることを示し、その後の推論が再利用可能な進化する作業体を形成する。

関連論文リスト

• Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning [104.97890382020937]
  エージェントメタ推論は,制御選択を明示的かつ構造化する推論時ハーネスである。 ワーカーはタスクレベルの計算を実行し、コントローラは実行が確立したものを統合する。 決定の間、コントローラはその全履歴を再生するのではなく、実行時のコンパクトな説明しか持たない。
  論文  参考訳（メタデータ） (2026-09-29T17:57:25Z)
• Goal-Persistent Coding Agents as Scientific Performance Engineers: A Fixed-Radius Nearest-Neighbor Case Study [0.0]
  符号化エージェントは、多くのツール使用ターンで永続的な目的を追求することができるが、汎用エージェントが厳密な科学的パフォーマンスエンジニアリングを行うことができるという証拠は依然として限られている。 既製のCodexとClaude Codeのエージェントが最寄りの粒子追跡を最適化するリポジトリスケールケーススタディを提案する。
  論文  参考訳（メタデータ） (2026-09-25T20:32:33Z)
• OpenAI4S: Code as Action, Science as Sessions [57.428071188574]
  我々は、emphCode as Action, Science as Sessionsという原則に基づいて構築されたオープンソースの科学研究エージェントOpenAI4Sを紹介する。 OpenAI4Sは、永続化コンピューティングランタイムとリサーチセッション管理オーケストレーションを組み合わせることで、構造化されたツールコールによって処理される。 再合成, 分子タンパク質結合体設計, タンパク質変異, 触媒スクリーニング, ミネラルスペクトロスコピーを含む36種類の研究シナリオにおけるOpenAI4Sの評価を行った。
  論文  参考訳（メタデータ） (2026-09-14T06:16:59Z)
• Test-Time Scaling in the Wild: Why Exploitation, Not Exploration, Is the Bottleneck [1.4991111518581999]
  テストタイムスケーリング(TTS)は、追加の推論計算を使用することで、言語モデルの出力を改善する。 5世代ベンチマークで5つのTSファミリーの計算正規化比較を行った。
  論文  参考訳（メタデータ） (2026-08-19T13:59:53Z)
• Arbor: Tree Search as a Cognition Layer for Autonomous Agents [11.049500825171245]
  Arborは、自律エージェントの認知層として構造化木探索を導入するマルチエージェントフレームワークである。 Arborは、複数の世代のハードウェアプラットフォームに一般化し、ラン・ツー・ラン分散は、ハードウェアに依存しない再現性を示す2ポイント以内である。
  論文  参考訳（メタデータ） (2026-06-10T18:14:56Z)
• Toward Generalist Autonomous Research via Hypothesis-Tree Refinement [150.99641031769633]
  本稿では,長寿命コーディネータ,短寿命エグゼキュータ,仮説ツリーリファインメント(HTR)を組み合わせた自律的研究フレームワークArborを紹介する。 結果が戻ると、Arborはツリーを更新し、再利用可能なレッスンを宣伝し、検索フロンティアを洗練し、検証された改善を認めた。
  論文  参考訳（メタデータ） (2026-06-10T10:57:05Z)
• The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
  本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。 通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
  論文  参考訳（メタデータ） (2026-04-27T16:23:09Z)
• KAPSO: A Knowledge-grounded framework for Autonomous Program Synthesis and Optimization [3.0268242725574215]
  KAPSOは、自律的なプログラム合成と最適化のためのモジュラーフレームワークである。 反復的にアイデア、コード合成、編集、実行、評価、学習を行い、実行可能なアーティファクトを改善する。
  論文  参考訳（メタデータ） (2026-01-29T10:40:54Z)
• Resource Allocation in Multi-armed Bandit Exploration: Overcoming Sublinear Scaling with Adaptive Parallelism [107.48538091418412]
  腕の引っ張りに様々な量の資源を割り当てることができる分割可能な資源にアクセス可能な場合,マルチアームの帯状地における探索について検討する。 特に、分散コンピューティングリソースの割り当てに重点を置いており、プル毎により多くのリソースを割り当てることで、結果をより早く得ることができます。
  論文  参考訳（メタデータ） (2020-10-31T18:19:29Z)

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。