論文の概要: Cadence: Strategic Guidance for Coding Agents

• arxiv url: http://arxiv.org/abs/2610.12269v1
• Date: Thu, 08 Oct 2026 16:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.184457
• Title: Cadence: Strategic Guidance for Coding Agents
• Title（参考訳）: Cadence: コーディングエージェントのための戦略的ガイダンス
• Abstract要約: Cadenceは動的監視フレームワークで、インスペクションを適応的にスケジュールし、エージェントのリアルタイム実行状態に応じてガイダンスを提供する。 300のSWE-bench Liteタスクを2つの異なるエージェント、mini-swe-agentとMoatlessで評価した。
• 参考スコア（独自算出の注目度）: 8.307442360322375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Runtime monitors are increasingly used to improve the reliability of LLM-based coding agents by inspecting execution trajectories and delivering corrective guidance upon detecting misbehavior. However, their effectiveness remains limited by static guidance triggering schemes. Existing monitors rely either on fixed inspection intervals, missing timely guidance during severe misbehaviors while incurring unnecessary overhead during healthy execution, or on rigid heuristic rules, failing to detect complex reasoning errors. To address these limitations, we propose Cadence, a dynamic monitoring framework that adaptively schedules inspections and delivers guidance according to the agent's real-time execution health. Cadence consists of two core modules: a two-tier intervention module and an inspection scheduler. The intervention module delivers advisory-level guidance for normal executions and minor lapses, while providing replacement-level guidance for severe misbehaviors. Driven by the intervention level, the scheduler adjusts the inspection frequency by tightening supervision after replacement-level guidance and relaxing it after advisory-level guidance. Evaluated on 300 SWE-bench Lite tasks across two distinct agents, mini-swe-agent and Moatless, Cadence achieves the highest resolve rate among all evaluated monitors. Specifically, Cadence outperforms vanilla agents by 25.33\% (+76 resolved tasks) on mini-swe-agent and 15.67\% (+47 resolved tasks) on Moatless, while maintaining competitive token efficiency compared to state-of-the-art baselines.
• Abstract（参考訳）: ランタイムモニタは、実行軌跡を検査し、誤動作を検出するための修正ガイダンスを提供することにより、LCMベースの符号化エージェントの信頼性を向上させるためにますます利用されている。 しかし、それらの効果は静的誘導トリガー方式によって制限されている。 既存のモニターは、固定された検査間隔、重度の不正行為中にタイムリーなガイダンスが欠如している一方で、健全な実行中に不要なオーバーヘッドを生じているか、複雑な推論エラーを検知できない厳格なヒューリスティックなルールに依存している。 これらの制約に対処するため,エージェントのリアルタイム実行状況に応じて検査を適応的にスケジュールし,ガイダンスを提供する動的監視フレームワークであるCadenceを提案する。 Cadenceは2層介入モジュールとインスペクションスケジューラの2つのコアモジュールで構成されている。 介入モジュールは、通常の実行とマイナーラプスに対するアドバイザリレベルのガイダンスを提供すると同時に、厳しい振る舞いに対する代替レベルのガイダンスを提供する。 介入レベルに基づいて、スケジューラは、代替レベルのガイダンスの後に監督を締め付け、助言レベルのガイダンスの後に緩和することにより、検査頻度を調整する。 SWE-bench Liteタスクを2つの異なるエージェント、mini-swe-agent と Moatless で300のSWE-bench Liteタスクで評価し、Cadence は評価されたすべてのモニタの中で最も高いリゾルバ率を達成する。 具体的には、Cadenceは、ミニスイートエージェントで25.33\%(+76の解決タスク)、Moatlessで15.67\%(+47の解決タスク)、そして最先端のベースラインに比べて競争力のあるトークン効率を維持しながらバニラエージェントより優れています。

関連論文リスト

• Taming CoT Obfuscation in VLMs: From Mechanistic Evidence to Activation Enforcement [74.92755267784983]
  強化学習は、視覚言語モデルにおける推論を改善するが、チェーン・オブ・オファシケーションを誘発することができる。 本稿では, 行動フィードバックとテンプレート関連アクティベーションの標的抑制を組み合わせ, メカニスティック・エンハンスメント(TAME)を用いた標的的アンチ・オブファシケーションを提案する。 VIRL-39k、SPA-VL、および2つのモデルファミリの中で、TAMEはグループ相対政策最適化よりも最大30.9および16.7%のCoT監視性を改善している。
  論文  参考訳（メタデータ） (2026-09-21T08:08:56Z)
• AI Training Manager: Bounded Closed-Loop Control of Adaptive Training Recipes [0.0]
  Managerはアクティブな実行から構造化されたテレメトリスナップショットを読み、制約されたアクション空間を監査し、トレーニングパラメータに検証された更新を返す。 TinyStoriesでは、マネージャがオーバーフィッティングを検出し修正し、ベースラインよりも60%低い検証損失を達成する。 ロボット操作強化学習タスクでは,評価やチェックポイント境界においてマネージャの更新を適用したエピソード閉ループ設定において,同じ境界決定インタフェースを使用する。
  論文  参考訳（メタデータ） (2026-06-29T07:07:33Z)
• Agent-ToM: Learning to Monitor Autonomous LLM Agents via Theory-of-Mind Reasoning [11.914433611519359]
  不正行為を隠蔽する自律型大規模言語モデル(LLM)エージェントの監視は、遅延、コンテキスト依存、長期攻撃パターンのために困難である。 自律エージェントのセキュリティ分析を前提とした学習監視フレームワークである textbfAgent-ToM を提案する。
  論文  参考訳（メタデータ） (2026-05-22T20:57:20Z)
• ECoLAD: Deployment-Oriented Evaluation for Automotive Time-Series Anomaly Detection [1.7751300245073598]
  時系列異常検出器は、制約のない実行下で、ワークステーションクラスのハードウェアで一般的に比較される。 しかし、車内監視は、限られたCPU並列性の下で予測可能なレイテンシと安定した動作を必要とする。 本稿では,プロプライエタリな自動車テレメトリに関する実証的研究として,デプロイ指向評価プロトコルであるECoLADを提案する。
  論文  参考訳（メタデータ） (2026-03-11T16:08:56Z)
• AutoMonitor-Bench: Evaluating the Reliability of LLM-Based Misbehavior Monitor [19.39430341586964]
  AutoMonitor-Benchは、さまざまなタスクや障害モードにわたる誤動作モニタの信頼性を体系的に評価する最初のベンチマークである。 本研究では,2つの相補的指標(ミスレート(MR)とFalse Alarm Rate(FAR))を用いてモニタの評価を行った。 本研究では、153,581個のサンプルとQwen3-4B-インストラクションからなる大規模トレーニングコーパスを構築し、既知の比較的簡単に構築可能な誤動作データセットによるトレーニングが、目に見えない、より暗黙的な誤動作に対する監視性能を向上させるかどうかを調査する。
  論文  参考訳（メタデータ） (2026-01-09T12:09:45Z)
• Practical challenges of control monitoring in frontier AI deployments [15.281070904065613]
  コントロールモニターは、私たちが完全に信頼していない高度なAIエージェントを監督する上で重要な役割を果たす可能性がある。 これまでの作業では、単純化された設定でのコントロール監視について検討されてきたが、実際のデプロイメントに対する監視のスケーリングには、さらなるダイナミクスが導入されている。 本稿では、これらの課題に対処するための設計選択を分析し、異なるレイテンシーセーフなトレードオフによる3種類のモニタリングに焦点を当てる。
  論文  参考訳（メタデータ） (2025-12-15T15:54:36Z)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• Guiding Through Complexity: What Makes Good Supervision for Hard Math Reasoning Tasks? [74.88417042125985]
  複雑さの異なるタスクにおいて、様々な品質レベルで監視データを提供する様々なデータ駆動戦略について検討する。 ハードタスクの監視における結果エラー率が高い場合でも、そのようなデータによるトレーニングは、より簡単なサブタスクの監督を完璧に上回ります。 また,本研究の結果から,タスク・インスペクションとサブタスク・インスペクションを補完することで,顕著なパフォーマンス向上が期待できることがわかった。
  論文  参考訳（メタデータ） (2024-10-27T17:55:27Z)

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。