論文の概要: SkillContrast: Difference-Guided Text Selection for Agent Skill Reranking
- arxiv url: http://arxiv.org/abs/2610.11650v1
- Date: Thu, 08 Oct 2026 10:25:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 02:36:53.956712
- Title: SkillContrast: Difference-Guided Text Selection for Agent Skill Reranking
- Title（参考訳）: SkillContrast: エージェントスキルリグレードのための差分ガイド付きテキスト選択
- Abstract要約: SkillContrastは、検索したスキルを比較し、事前訓練されたリランカのための異なるテキストとローカルコンテキストを保持するトレーニングフリーセレクタである。
SameCapRisk-Benchからの1,235リクエストでは、TF-IDFクエリ選択よりも54-72のクリーンヒットが生成される。
- 参考スコア（独自算出の注目度）: 6.128948459115107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Similar agent skills can share instructions but differ in their conditions of use. Query-based text selection may retain shared instructions and omit these distinctions. We introduce SkillContrast, a training-free selector that compares retrieved skills and retains their differing text with local context for a pretrained reranker. On 1,235 requests from SameCapRisk-Bench, it yields 54-72 more clean hits (requests that retrieve a helpful skill without its marked risky sibling) than TF-IDF query selection at identical per-candidate input lengths, across 2 retrievers and 2 reranker sizes. Length-matched component replacements identify differing text as the main contributor in the primary setting, with smaller, mixed context effects. Relative to full skill bodies, SkillContrast uses 51.1-58.8% fewer model-input tokens, with 10-18 fewer clean hits at 0.6B and matching or higher observed clean-hit counts at 4B. Candidate-relative differences thus complement query relevance in selecting compact reranking inputs.
- Abstract（参考訳）: 同様のエージェントスキルは、命令を共有することができるが、使用条件が異なる。
クエリベースのテキスト選択は、共有命令を保持し、これらの区別を省略する。
SkillContrastは、検索したスキルを比較し、その異なるテキストを事前訓練されたリランカのローカルコンテキストに保持する、トレーニング不要のセレクタである。
SameCapRisk-Benchからの1,235のリクエストでは、2つのレトリバーと2つのリランカサイズで、TF-IDFクエリ選択よりも54-72のクリーンなヒット(大きなリスクを伴わない有用なスキルを検索する要求)が得られる。
長さマッチングされたコンポーネント置換は、異なるテキストをプライマリ設定の主要なコントリビュータとして識別する。
SkillContrastは、フルスキルボディに比べて51.1-58.8%少ないモデル入力トークンを使用し、10-18のクリーンヒットは0.6Bで、マッチングや観察されたクリーンヒット数は4Bで減少している。
したがって、候補相対差は、コンパクトな再ランク入力を選択する際のクエリ関連性を補完する。
関連論文リスト
- Beyond Top-$k$ Skill Retrieval: Diversity-Aware Skill Routing for LLM Agents [79.02474149053074]
多様性を意識したリグレードフレームワークであるDiverse Skill Routing (DSR)を提案する。
DSRは冗長なスキルオーバーラップを罰し、共有クエリ関連性のみに起因する罰則を減らします。
Skillルーティングベンチマークでは、DSRは強力なポイントワイドのベースラインに対してリコールとフルカバレッジを改善している。
論文 参考訳（メタデータ） (2026-09-05T02:39:28Z) - Beyond Task-Only Matching: Personalized Skill Routing with Counterfactual Evaluation [8.783208889046813]
タスクとユーザプロファイルに関連性があるような,テキスト化されたスキルルーティングを定式化する。
SkillFeedは、まずタスクスキルアライメントを確立し、次にプロファイル条件付き識別を学習するプログレッシブな検索・参照フレームワークである。
SkillFeed-Benchでは、SkillFeedは75.1%のトップ1検索精度を獲得し、対応する事前訓練されたルーティングベースラインよりも23.1ポイント改善された。
論文 参考訳（メタデータ） (2026-08-28T11:55:56Z) - Signal or Noise? A Benchmark Study of Agent Skills in Web Development [6.7220476997481375]
私たちはWebDev-Skills-Benchを使って、50のWeb-Benchプロジェクトで31の公開WebDevスキルと1000のタスクを研究しています。
4つのモデル全体で、ターゲットスキルインジェクションは平均パス@2を1.3%減らして4.2%減らし、タスク完了の深さを低くし、トークンコストを72%減らして394%減らす。
損失は簡単な初期タスクに集中し、スキルランキングはモデル間で弱い転送をし、アンチパターンルールは有用なスキルの中でサンプル重いコンテンツより優れています。
論文 参考訳（メタデータ） (2026-08-24T10:13:07Z) - Beyond Similarity: Grounded Agentic Extraction and Expert-Adjudicated Evaluation of Intertextuality in Classical Chinese Histories [3.694051864521789]
我々は、大言語モデルが2つのテキスト単位をフルに読み込むエージェントタスクとして、きめ細かいテクスチャ間抽出をリキャストする。
3つのドメインの専門家がプールされたマルチモデル候補を2,533対のテキスト間ペアのベンチマークに設定し、Analects と Book of Han を徹底的に比較する手法を検証する。
論文 参考訳（メタデータ） (2026-07-30T02:34:23Z) - SkillSight: Calibrating Generic Content Bias for Skill Retrieval [12.466141257341851]
既存のレトリバーは、しばしばスキル内容を通常の文書として扱い、非常に規則的な構造を見下ろしている。
この共有背景は、密接な関連度スコアに反映され、クエリとスキルドキュメントの間に顕著なエネルギーギャップを生じさせ、識別シグナルを曖昧にすることを示す。
SkillSightは、意味空間と語彙空間の両方で共有背景を校正する学習自由検索フレームワークである。
論文 参考訳（メタデータ） (2026-07-21T07:05:15Z) - Generative Skill Composition for LLM Agents [58.47191648555256]
LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。
スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。
本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
論文 参考訳（メタデータ） (2026-06-30T17:53:09Z) - SkillDAG: Self-Evolving Typed Skill Graphs for LLM Skill Selection at Scale [54.70985426016736]
本稿では,スキル間関係を型付き有向グラフとしてモデル化したSkillDAGを提案する。
各検索はベクトルマッチング、型付きエッジ隣人、競合信号を返す。
ALFWorldとSkillsBench with MiniMax-M2.7では、SkillDAGは67.1%の成功と27.3%の報酬を得た。
論文 参考訳（メタデータ） (2026-06-02T02:45:21Z) - Skill-as-Pseudocode: Refactoring Skill Libraries to Pseudocode for LLM Agents [50.78646963535282]
Skill-as-Pseudocode (SaP) はマークダウンスキルライブラリの型付き擬似コードへの自動変換である。
1つ以上のスキルから引き出された類似の手続きパスのクラスタごとに、SaPは型付きコントラクトを抽出し、それを4チェック決定性検証器を通じてフィルタリングする。
プロモートされた契約は、復元された具体的なアクションテンプレートと共に書き直されたスキルスケルトンにインライン化され、エージェントは2つの補完的な信号を与える。
論文 参考訳（メタデータ） (2026-05-27T04:48:40Z) - Skill-Based Few-Shot Selection for In-Context Learning [123.26522773708683]
Skill-KNNは、文脈内学習のためのスキルベースの少ショット選択手法である。
モデルはトレーニングや微調整を必要とせず、頻繁に銀行を拡大したり変更したりするのに適している。
5つのドメイン間セマンティックパーシングデータセットと6つのバックボーンモデルによる実験結果から、Skill-KNNは既存の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2023-05-23T16:28:29Z) - Filtering before Iteratively Referring for Knowledge-Grounded Response
Selection in Retrieval-Based Chatbots [56.52403181244952]
本稿では,FIRE(Iteratively Referring)の前にフィルタリングという手法を提案する。
FIREはPERSONA-CHATデータセットにおいて,2.8%,4.1%以上のマージンで従来の手法よりも優れていた。
また、知識基盤プロセスの可視化により、FIREはより解釈可能であることを示す。
論文 参考訳（メタデータ） (2020-04-30T02:27:12Z)
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。