論文の概要: Humanize: Judgement Engineering for Agentic Coding

• arxiv url: http://arxiv.org/abs/2610.08900v1
• Date: Tue, 06 Oct 2026 17:54:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.528843
• Title: Humanize: Judgement Engineering for Agentic Coding
• Title（参考訳）: ヒューマンサイズ:エージェントコーディングのための判断工学
• Abstract要約: 我々は、判断工学を中心に構築されたエージェントコーディングのためのマルチエージェントオーケストレーションワークフローであるHumanizeを紹介する。 人間がプラン契約を承認し、ビルダーエージェントがそれをラウンドで実装し、他のベンダーのレビュアーエージェントが完了を決定する。 我々は,Humanizeの展開,実ループの公開後118件,とその応用について検討する。
• 参考スコア（独自算出の注目度）: 15.23298019734051
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Agentic coding makes code generation cheap, but reliable completion remains difficult: the agent that writes the code is a weak judge of whether it is done. We present Humanize, a multi-agent orchestration workflow for agentic coding built around judgement engineering: explicit, mechanically enforced decisions at the boundaries between planning, implementation, review, and learning. A human approves a plan contract, a builder agent implements it in rounds, and a reviewer agent from another vendor decides completion; deterministic hooks, not a model, route work between these roles and enforce 72 mechanical gates. Viewed as a Markov chain over repository states, alternating builder and reviewer samples jointly from two models, so a defect survives only if both miss it. We study Humanize through its deployment, 118 public postmortems of real loops, and its applications. Over 68 versions in 108 days, it gathered 1,468 GitHub stars. Applications include a 567-file gem5 build-system migration under upstream review; Kernel Design Agents, which extend the loop with a kernel knowledge base and profiling feedback and placed in the top three of all three Full-Agent tracks of the MLSys 2026 FlashInfer contest; and, through Humanize Olympiad Agents (HOA), full scores in IOI 2026, IMO 2026, IPhO 2026, and IBO 2024, 418.5/437 in IChO 2026 (gold-medal). Humanize also achieves 672/672 on PutnamBench and ranks first (251/303) on Lean-Eval's leaderboard even competiting with professional mathematicians. The postmortems show that independent review catches unsupported builder claims, but stopping remains a key weakness. In reports that separate rounds by phase, two thirds of rounds occurred after implementation was accepted. This evidence is observational, not a controlled comparison of workflows.
• Abstract（参考訳）: エージェントコーディングは、コード生成を安くするが、信頼性の高い完了は依然として難しい。 我々は、判断工学を中心に構築されたエージェントコーディングのためのマルチエージェントオーケストレーションワークフローであるHumanizeを紹介します。 人間がプラン契約を承認し、ビルダーエージェントがラウンドでそれを実装し、他のベンダーのレビューエージェントが完了を決定する。 リポジトリ状態上のMarkovチェーンと見なされ、ビルダーとレビュアが2つのモデルから一緒にサンプルする。 我々は,Humanizeの展開,実ループの公開後118件,とその応用について検討する。 108日間で68以上のバージョンがあり、1,468のGitHubスターを集めた。 567-file gem5 build-system migration under upstream review, Kernel Design Agentsはカーネル知識ベースとプロファイリングフィードバックでループを拡張し、MLSys 2026 FlashInferコンテストの全3トラックの上位3トラックに配置し、Humanize Olympiad Agents (HOA) を通じてIOI 2026, IMO 2026, IPhO 2026, IBO 2024, 418.5/437 in IChO 2026 (ゴールドメディカル) のフルスコアを出力する。 また、HumanizeはPutnamBenchで672/672を達成し、Lean-Evalのリーダーボードで251/303を1位にランクしている。 反省会は、独立したレビューが支持できないビルダーの主張をキャッチしていることを示しているが、停止は依然として重要な弱点である。 フェーズごとに別々のラウンドが発生したという報告では、実装が受け入れられた後、ラウンドの3分の2が実行された。 この証拠は観察的であり、ワークフローの制御された比較ではない。

関連論文リスト

• Agora: Git as Shared Memory for Collective AutoResearch [54.31992252587096]
  別々のセッションで作業する調査エージェントは、他の人が試したことと、構築可能な結果を知る必要がある。 各コミットは結果、洞察、仮説、検証、報告を記録し、それを以前の作業とリンクする。 約12日間に渡り,13人の言語モデル労働者がアゴラを重み移動問題の解決に利用したことを報告した。
  論文  参考訳（メタデータ） (2026-09-16T04:00:54Z)
• TraceML: An Empirical Analysis of Human-Agent Planning in Machine Learning Development [37.08099664563133]
  TraceMLは、人間とエージェントのペアで、1つのバージョンレベルのスキーマの下で同じ競合に取り組みます。 すべてのコードバージョンはスコア、タイムスタンプ、アクションのラベル、意図、編集サイズ、スコア効果を持っている。
  論文  参考訳（メタデータ） (2026-08-26T17:50:13Z)
• Specification-first convergence with an AI coding agent: a case study of dismantling a core architectural invariant across 189 files in a 717k-line codebase with no test oracle and no human code review [0.0]
  本稿では,AI符号化エージェントによる大規模建築解体のケーススタディについて報告する。 ここで述べられているプロトコルの下で、エージェントはそれを正常に完了した。
  論文  参考訳（メタデータ） (2026-08-12T15:35:48Z)
• CrossAudit: A Git-Native, Cross-Vendor Audit Loop for Agentic Science [5.610929955077264]
  CrossAuditは、自律的な研究パイプラインを監督するためのプロトコルである。 それぞれのインクリメントは、異なるベンダーのエージェントによって、人間が書いたりバージョン付けされたルールブックに対して監査される。 報告、評決、論争、裁定はgitコミットであり、監督履歴を再読して引用することができる。
  論文  参考訳（メタデータ） (2026-08-05T12:35:59Z)
• Autoresearch with Coding Agents: Generalizers and Metric-Maximizers on Quran Recitation Data [4.191965713559235]
  コーディングエージェントは、スコアに対してソフトウェアを改善するために、単独で残すことができます。 このパターンでは、エージェントはデータセット、評価スクリプト、編集可能な1つのファイルを受け取り、監督なしで反復する。 このループを実際の生産タスクで実行し、ノイズの多い音声認識書面にどのクラニック詩が現れるかを決定しました。
  論文  参考訳（メタデータ） (2026-07-20T15:32:09Z)
• Code as Agent Harness [107.31925305395957]
  新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。 コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。 この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:03Z)
• SlopCodeBench: Benchmarking How Coding Agents Degrade Over Long-Horizon Iterative Tasks [55.76734816061826]
  我々は20の問題と93のチェックポイントからなる言語に依存しないベンチマークであるSlopCodeBenchを紹介する。 我々は、冗長性、重複コードの割合、構造的侵食という2つの軌道レベルの品質信号を追跡する。 11モデルにまたがるエンドツーエンドの問題を解決するエージェントは存在しない。
  論文  参考訳（メタデータ） (2026-03-25T19:26:44Z)
• Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
  数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。 モデル、足場、ベンチマークにまたがる3次元解析を行う。 私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
  論文  参考訳（メタデータ） (2025-10-13T22:22:28Z)

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。