論文の概要: Beyond Instruction Following: Learning Grounded Skill-Following with Skill Contracts
- arxiv url: http://arxiv.org/abs/2610.05161v1
- Date: Sun, 04 Oct 2026 12:10:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 22:57:13.472203
- Title: Beyond Instruction Following: Learning Grounded Skill-Following with Skill Contracts
- Title（参考訳）: インストラクションの追従を超えて: スキル契約による基礎的スキルフォローを学習する
- Abstract要約: エージェントは、必要なフェーズにわたって、固定された専門家によるスキルを実行する必要がある。
各スキルは、目に見えるスキル命令と明示的なコントラクトランタイムを組み合わせた、スキルコントラクトとして定式化します。
この構造は実行中を通して密で検証可能な訓練信号を提供する。
- 参考スコア（独自算出の注目度）: 14.609329303558942
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Instruction following typically enforces discrete, response-level requirements, whereas an expert-authored skill prescribes procedural requirements spanning multiple phases and environment interactions. Given such a skill, we train the executor to execute all required phases instead of focusing solely on the final answer. We therefore introduce Grounded Skill-Following, which requires an agent to execute a fixed, expert-authored skill across its required phases by grounding decisions in environment observations. To achieve verifiable procedural execution, we formulate each skill as a skill contract combining visible skill instructions with an explicit contract runtime. The runtime specifies required phases, admissible actions, permitted transitions, and accepted termination. This structure provides a dense, verifiable training signal throughout execution. We leverage this by introducing Verified Progress Credit, which assigns rewards upon the initial completion of contract milestones and aggregates them into the trajectory return to guide policy optimization. During rollout, the contract runtime continuously tracks state transitions to provide Contract-State Feedback, which indicates whether the latest action is accepted and guides the agent toward valid next actions. To measure procedural compliance, we introduce the Protocol Completion Rate (PCR), defined as reaching accepted termination through all required phases, and decouple it from the final Task Outcome. Jointly trained with our framework, Qwen3.5-4B achieves Protocol Completion Rates of 99.27% on Math and 99.96% on Search, while slightly outperforming original baselines in Task Outcome (82.95% and 46.61%, respectively). Controlled studies examine how skill instructions, training signals, and contract-state feedback affect both metrics, while withholding interventions evaluate behavioral dependence on observation content.
- Abstract（参考訳）: 指示に従うことは、通常、個別の応答レベルの要求を強制するが、専門家が認可したスキルは、複数のフェーズと環境相互作用にまたがる手続き的な要求を規定する。
そのようなスキルを前提として、最終回答のみに焦点を当てるのではなく、実行担当者にすべての必要なフェーズを実行するように訓練します。
そこで我々は,環境観察において決定を下すことにより,エージェントが必要な段階にわたって,一定の専門家による技術を実行する必要があるグラウンドド・スキル・フォロー(Grounded Skill-Following)を紹介した。
検証可能な手続き実行を実現するため、各スキルを、目に見えるスキル命令と明示的なコントラクトランタイムを組み合わせたスキルコントラクトとして定式化する。
ランタイムは、必要なフェーズ、許容可能なアクション、許容される遷移、許容される終了を指定する。
この構造は実行中を通して密で検証可能な訓練信号を提供する。
これは、契約のマイルストーンの最初の完了時に報酬を割り当て、政策最適化を導くための軌道上のリターンにそれらを集約します。
ロールアウト中、コントラクトランタイムは、コントラクト状態フィードバックを提供するための状態遷移を継続的に追跡する。
手続き的コンプライアンスを測るために、必要なすべてのフェーズを通じて許容終了に達すると定義されたProtocol Completion Rate (PCR)を導入し、最終タスクアウトカムから切り離す。
我々のフレームワークと共同でトレーニングしたQwen3.5-4Bは、Protocol Completion Rates 99.27% と Search 99.96% を達成し、Task Outcome のオリジナルベースライン(それぞれ82.95% と 46.61%)をわずかに上回っている。
制御された研究は、スキルインストラクション、トレーニング信号、契約状態フィードバックが両方の指標にどのように影響するかを検証し、介入を控えて観察内容に対する行動依存を評価する。
関連論文リスト
- SkillSpec: Consensus-Gated Agent Skill Evolution via Representation Specialization [8.52202553192961]
SkillSpecはコンセンサス付き進化と表現の特殊化からなる2段階のフレームワークである。
SkillSpecはSkillOptよりも平均成功率を6.89%改善し、3つのモデルで平均化している。
論文 参考訳（メタデータ） (2026-09-30T20:52:00Z) - Who Holds the Pen? Let Specifications, Not Agents, Sign Off [29.682011444667467]
大規模言語モデルエージェントは、単一のエージェントループ内で生成、意思決定、実行、自己評価をますます組み合わせている。
結果として生じるギャップは2つあります。
理解-実行ギャップは、要求が理解されているが実行時に満足していないときに生じる。
状態-権限ギャップは、エージェントの解釈または完了のクレームが要求された状態を確立しない場合に発生する。
論文 参考訳（メタデータ） (2026-09-24T14:55:14Z) - From Intent to Execution Grant: An Execution-Boundary Conformance Profile for High-Risk AI Actions [9.27474112226667]
EBL-Coreは、1つの標準的な、完全に実体化されたAI生成候補が、明示的な条件下でアクションスコープ実行権限を受け取ることができるかどうかを決定する。
拘束力、政策非監視、エビデンス処理、決定論的判断、検証、ライフサイクル行動の付与などである。
100回の試験で32回の同時再空輸試験が成功し、1回の試行で完全に1回成功し、テスト効果が保護された。
論文 参考訳（メタデータ） (2026-09-10T14:21:45Z) - Convergent Detour Hijacking: Task-Preserving Resource Amplification in Skill-Based LLM Agents [15.526916927007049]
LLMエージェントは、選択のための自然言語記述と計画のための教示体を使用して、ますますサードパーティのスキルに依存している。
Convergent Detour Hijacking(CDH)を紹介します。
複数 LLM バックエンドと 491 のホールドアウトタスクを単一タスクおよび複数ターン条件下で評価した。
論文 参考訳（メタデータ） (2026-08-12T17:12:49Z) - SpecPath: Testing Coding Agents Across Contract-Equivalent Specification Histories [13.437222222971272]
仕様パスの感度は、最終的な意味において等価な要求履歴が同一のエージェントシステムに振る舞いの異なるプログラムを作成させる障害モードである。
本稿では,契約に至るリビジョンパスのみを変更しつつ,リポジトリ,最終契約,検証,エージェントシステム,実行予算を保持する診断評価であるSpecPathを紹介する。
論文 参考訳（メタデータ） (2026-08-10T16:19:00Z) - SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。
行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。
Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
論文 参考訳（メタデータ） (2026-06-12T08:20:09Z) - VASO: Formally Verifiable Self-Evolving Skills for Physical AI Agents [57.240036084348354]
本稿では,ロボットスキルコントラクトの検証誘導自己進化のためのフレームワークであるVASOを紹介する。
VASOは論理的に一貫性のないスキル契約を検証し、グローバルおよびローカルな時間的仕様に対してスキルによって誘発される計画を検証する。
Clearpath Jackal と PX4 のクアッドコプタータスクでは、VASO は100点未満の最適化サンプルを使用して97.2% の形式的な仕様準拠に達した。
論文 参考訳（メタデータ） (2026-06-03T20:02:35Z) - Watch Every Step! LLM Agent Learning via Iterative Step-Level Process Refinement [50.481380478458945]
反復的なステップレベルプロセスリファインメント(IPR)フレームワークは、エージェントトレーニングを強化するためのステップバイステップのガイダンスを提供する。
3つの複雑なエージェントタスクに関する我々の実験は、我々のフレームワークが様々な強力なベースラインより優れていることを示した。
論文 参考訳（メタデータ） (2024-06-17T03:29:13Z) - Code Models are Zero-shot Precondition Reasoners [83.8561159080672]
シーケンシャルな意思決定タスクのために、コード表現を使ってアクションの前提条件を推論します。
本稿では,政策によって予測される行動が前提条件と一致していることを保証する事前条件対応行動サンプリング戦略を提案する。
論文 参考訳（メタデータ） (2023-11-16T06:19:27Z) - Hierarchical Decomposition of Prompt-Based Continual Learning:
Rethinking Obscured Sub-optimality [55.88910947643436]
大量のラベルのないデータを実際に扱うためには、自己教師付き事前トレーニングが不可欠である。
HiDe-Promptは、タスク固有のプロンプトと統計のアンサンブルで階層的なコンポーネントを明示的に最適化する革新的なアプローチである。
実験では,HiDe-Promptの優れた性能と,継続学習における事前学習パラダイムへの頑健さを実証した。
論文 参考訳（メタデータ） (2023-10-11T06:51:46Z)
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。