論文の概要: Search Engines Never Say No: How Frozen Agents React When the Retrieval Tool Refuses

• arxiv url: http://arxiv.org/abs/2610.05348v1
• Date: Sun, 04 Oct 2026 16:14:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 14:24:11.551515
• Title: Search Engines Never Say No: How Frozen Agents React When the Retrieval Tool Refuses
• Title（参考訳）: フリーズエージェントが検索ツールをリユースするときの反応の仕方
• Abstract要約: 発表されていない1文の拒絶は、回答できない質問を平均23%から97%に制限する。 説明は素のトークンを破り、観察中の指示は俳句にとって決定的なものである。 適合剤の場合、ボトルネックはツール内の検出器であり、エージェントではない。
• 参考スコア（独自算出の注目度）: 3.590200381693089
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A search tool never says no: it returns its top-k passages even when the index holds no answer, so the agent sees irrelevant text instead of a miss signal. We ask what frozen search agents do when the tool refuses instead. On an index-hole testbed (257 NQ and 300 HotpotQA questions run with and without their gold passages in a 21M-passage BM25 index), seven agents receive one of five refusal wordings. An un-announced one-sentence refusal raises abstention on unanswerable questions from 23% to 97% on average for Qwen3-8B/32B and from 28% to 57% for Claude Haiku 4.5, cutting wrong answers almost one-for-one and beating a system-prompt instruction by 51 points on average. Search-R1 ignores the refusal and fabricates retrievals; Claude Sonnet 5.5 and Opus 5.5 answer from memory (abstention +2 points) and obey a system-prompt directive instead (+16). We also found that wording matters: an explanation beats a bare token; a directive inside the observation is decisive for Haiku; a soft warning is useless. Realistic triggers, from a lightweight score-based predictor to an LLM grounding judge, fall well short of the oracle, and all land on a benefit-versus-signal-quality curve that prices any trigger by its recall at a fixed false-refusal budget: for compliant agents the bottleneck is the detector inside the tool, not the agent, and the curve tells future detector work what each point of recall is worth.
• Abstract（参考訳）: インデックスが答えを持たない場合でもトップkのパスを返すので、エージェントはミス信号ではなく無関係なテキストを見る。 ツールが拒否されたら、フリーズされた検索エージェントは何をするか尋ねる。 インデックスホールテストベッド(257 NQと300 HotpotQA)では、21MパスのBM25インデックスでゴールドパスなしで実行され、7人のエージェントが5つの拒否語のうちの1つを受け取る。 発表されていない1文の拒絶は、Qwen3-8B/32Bの平均で23%から97%、Claude Haiku 4.5では28%から57%、誤った回答をほぼ1対1でカットし、システムプロンプトの命令を平均51ポイント上回った。 Claude Sonnet 5.5 と Opus 5.5 はメモリから応答し、代わりにシステムプロンプト命令に従う(+16)。 説明が素のトークンを打ち負かし、観察中の指示が俳句にとって決定的であり、ソフトな警告は役に立たない。 ライトウェイトなスコアベースの予測器からLLMのグラウンドジャッジまで、あらゆるリアルなトリガーは、オラクルにかなり不足しており、固定された虚偽の予算でリコールによってトリガーを値下げする、利益対信号品質の曲線上にある: 従順なエージェントにとってボトルネックはツール内の検出器であり、エージェントではない。

関連論文リスト

• Reward Hacking Challenges Oversight of Autonomous Research Agents [104.38175629103235]
  自律的な研究エージェントは実験を設計し、結果を評価し、レポートを書き、科学的結果とそれを支持する証拠の両方を制御できる。 これは、意図した目標を達成することなく、報酬基準を満たす、報酬ハックのリスクを生み出す。 そこで本研究では,ハッキングが許可された場合,その方法がいかに効果的かつ検出可能か,LCMレビューパネルが意思決定と理由を返却した場合にどのように適応するか,などについて検討する。
  論文  参考訳（メタデータ） (2026-09-23T17:54:01Z)
• TimeEvo: Failure-Driven Self-Evolution of a Time Series Agent [58.343983191487276]
  時系列エージェントは、外部ツールを呼び出すことで分析的な質問に答える。 Human-Agent Tool Misalignment: 21のエキスパートキュレートされたツールのライブラリは、いくつかのタスクを支援し、他の人を傷つけます。 TimeEvoは、エージェントの診断された障害を能力ギャップに集約し、それぞれの測定を計画し、ペアの入場ゲートを通してのみ候補ライブラリを許可する。
  論文  参考訳（メタデータ） (2026-09-23T03:08:12Z)
• Fabrication After Tool Failure: Tool-Augmented Agents Assert Values Their Tools Did Not Return [7.146717861821737]
  ツール拡張言語モデルは、ツールの供給に失敗した時に正直に報告するかどうかではなく、正しい回答に達するかどうかで評価される。 16のシステムドメインと8つのツール障害タイプにまたがる1024項目のベンチマークで、この障害後の決定を分離する。
  論文  参考訳（メタデータ） (2026-09-13T19:46:42Z)
• Detecting and Repairing Hallucinations in Retrieval-Augmented Generation [0.6918455480131248]
  検索されたテキストでモデルをグラウンドすることは、サポートされないステートメントを減らすが、それを排除しない。 RAGTruthという,手動でアノテートしたベンチマークを用いて,各フラグ付き回答を個々の事実的クレームに分割した。 リッチ性を高めるための3つの修復戦略 – サポート対象のクレームを削除すること,ソーステキストに置き換えること,そしてそれを書き換えること – で回答を手元に残すことを比較した。
  論文  参考訳（メタデータ） (2026-08-29T14:46:58Z)
• Prompt-Based Abstention Fails Under Misleading Context: A Controlled Study of Small Frozen RAG Models [0.0]
  誤りや誤解を招く証拠は、検索強化世代でも同じ問題ではない。 証拠が欠落している場合、モデルは確実に棄却されるが、明示的な棄却の下では、誤解を招く質問の41.6%は依然として答えている。
  論文  参考訳（メタデータ） (2026-08-23T05:43:27Z)
• LODESTAR: Robust Entropy-Based Answer Selection in Retrieval-Augmented Generation for Question Answering -- Directing Frozen-LLM Entropy with a Reinforcement-Learned Prompt Polarizer under Misleading Passages [4.237636935341204]
  予測分布エントロピー(英: Predictive-Distribution Entropy)は、質問応答のための検索強化生成(RAG)における強力な解選択規則である。 LODESTAR: サードパーティ製凍結応答体に誘導される不確実性によってテキスト介入をスコアする最初の方法について紹介する。
  論文  参考訳（メタデータ） (2026-08-12T11:06:45Z)
• Abliteration Is Not a Scalpel: Off-Target Effects of Refusal Removal on Decision Disposition Across Model Families [51.56484100374058]
  放棄 — モデルの拒絶方向を重みから取り除く — は、一般的な"アンセンソルド"なオープンウェイトモデルの標準的なレシピである。 ディスポジションプローブとして21,600個の決定を不確実性の下で使用し、凍結パイプラインを通じて再生することにより、決定層モデルが唯一の変数となる。 3つのエフェクトは2つのファミリーにまたがって複製される(ゼロを除く週間クラスターCI) 4つ目の効果は符号を逆転する:同じ操作によりGemmaで読み取られた方が自信が弱まり、Qwenで読み取られたものがより多くなる(ファミリーCIは重複しない)。
  論文  参考訳（メタデータ） (2026-07-19T22:27:00Z)
• Don't Blindly Trust It: How Unreliable Feedback Breaks Tool-Using LLM Agents [14.176782501633186]
  ツール強化エージェントは一般的に、信頼性のある外部フィードバックの下で利得によって評価される。 本稿では,エージェントループ,プロンプト,アクション空間,デコードを修正する制御されたマッチングループ比較を用いて,この問題を考察する。 永続的な誤解を招くフィードバックは、価値の逆転をもたらす。クリーンツールの恩恵を受けるエージェントは、マッチしたNo-feedbackフォールバックよりもパフォーマンスが悪くなります。
  論文  参考訳（メタデータ） (2026-06-19T13:21:25Z)
• Clarify-Then-Search: A Clarification Benchmark for Deep Search with End-to-End Nugget Restoration [66.89521868638815]
  我々は,LLM生成の解明質問が下流の深層探索ユーティリティを改善するかどうかを評価するベンチマークであるClarify-Then-Searchを紹介する。 Baidu検索エンジンの実際のクエリデータに基づいて構築されたこのベンチマークには、518のキュレートされたインスタンスが含まれている。 静的な金に対して部分的にクレジットされた重み付きナゲット・リコールスコアであるrepure_score_100を用いて、エンドツーエンドのユーティリティをスコアする。
  論文  参考訳（メタデータ） (2026-06-17T13:16:31Z)
• ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search [49.61286310968402]
  我々は,対話型推論問題として,マルチカメラの人物探索を再構成する最初のベンチマークとフレームワークであるARGOSを紹介する。 ARGOSエージェントはあいまいな目撃声明を受け取り、何を尋ねるか、いつ空間的または時間的ツールを呼び出すか、不明瞭な応答をどう解釈するかを判断しなければならない。 このベンチマークは、意味的知覚(Who)、空間的推論(Where)、時間的推論(When)の3つのプログレッシブトラックにおいて、14の現実世界シナリオにまたがる2,691のタスクからなる。
  論文  参考訳（メタデータ） (2026-04-14T14:06:19Z)
• SE-Search: Self-Evolving Search Agent via Memory and Dense Reward [87.79131676521656]
  Retrieval augmented generation (RAG)は、検索した外部知識を条件づけることにより、大規模言語モデル(LLM)における幻覚や事実エラーを低減する。 既存の手法は、無関係または騒々しい文書を蓄積し、希少な強化学習信号に依存することが多い。 我々は,3つのコンポーネントによるオンライン検索行動を改善するセルフ進化検索エージェントであるtextbfSelf-textbfEvolving textbfSearchを提案する。
  論文  参考訳（メタデータ） (2026-02-06T09:14:07Z)

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。