論文の概要: Hindsight Structured Advice Distillation: Steering Executor Agents with Advisors Trained on Their Failures and Task Characteristics

• arxiv url: http://arxiv.org/abs/2610.13000v1
• Date: Fri, 09 Oct 2026 05:03:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.396423
• Title: Hindsight Structured Advice Distillation: Steering Executor Agents with Advisors Trained on Their Failures and Task Characteristics
• Title（参考訳）: 後部構造型アドバイス蒸留:その失敗と課題特性を訓練した指導員によるステアリング・エグゼクタ・エージェント
• Abstract要約: 言語モデルエージェントは、金融研究、医療、法律などの専門業務に使用される。 このようなエージェントはタスクに十分な能力を持つが、詳細を見逃している。 我々は代わりにこのガイダンスを生成することを学ぶことを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Language-model agents are used for specialized work such as financial research, healthcare and law. Such agents are often capable enough for a task but still miss its details. In finance, for example, these details include which filing reports a figure or how a company discloses a metric. Retraining the agent to learn these details is expensive, and often impossible when the agent is a closed or shared system. Writing the missing know-how into the agent's prompt makes the prompt long and identical for every input, although different inputs need different guidance. We propose to learn to generate this guidance instead. A small advisor model reads each input and writes structured advice, which is appended to the prompt of a frozen executor. The advisor is trained with hindsight, following work on distillation with privileged information. On a training pool with graded answers, we analyse the executor's failures, run it under several strategies to see which one worked on each input, and let a teacher that sees the grades and the traces write the advice that would have helped. The advisor then learns, by supervised fine-tuning, to write that advice from the input alone. Because the student is a separate small model rather than the executor, it is cheap to train and adds little latency. We call this approach hindsight structured advice distillation (HSAD). On FrontierFinance, a public benchmark of expert-written financial research queries, an 8B advisor raises the qualification rate of Samaya's proprietary research agent, which already leads the benchmark's leaderboard, from 52.9% to 56.6%. This is above the agent's own high-effort configuration, at 37% lower cost per query. We study the generalization of the proposed approach, and in particular show that HSAD also improves results on WebShop, BIRD text-to-SQL and ExpertLongBench.
• Abstract（参考訳）: 言語モデルエージェントは、金融研究、医療、法律などの専門業務に使用される。 このようなエージェントは、タスクに十分な能力を持つことが多いが、詳細を見逃している。 例えばファイナンスでは、これらの詳細には、どの申請書が数字を報告しているか、あるいは会社がどのようにメトリクスを開示するかが含まれる。 これらの詳細を学習するためにエージェントをトレーニングするのは高価であり、エージェントがクローズドまたは共有システムである場合、しばしば不可能である。 行方不明のノウハウをエージェントのプロンプトに書き込むと、各入力に対してプロンプトが長く同一になるが、異なる入力には異なるガイダンスが必要である。 我々は代わりにこのガイダンスを生成することを学ぶことを提案する。 小さなアドバイザモデルは、各インプットを読み、構造化されたアドバイスを書き、凍結したエグゼキュータのプロンプトに追加する。 助言者は、特権情報による蒸留作業の後、後見で訓練される。 グレードされた回答を持つトレーニングプールでは、実行者の失敗を分析し、各インプットにどの作業を行ったかを確認するためのいくつかの戦略の下で実行し、グレードとトレースを見る教師にアドバイスを書くようにします。 アドバイザは、教師による微調整によって、インプットだけでそのアドバイスを書くことを学ぶ。 生徒はエグゼキュータではなく独立した小さなモデルなので、トレーニングは安く、レイテンシも少ない。 我々は、このアプローチを後向き構造的アドバイス蒸留 (HSAD) と呼ぶ。 専門家による財務調査クエリの公開ベンチマークであるFrontierFinanceでは、8Bアドバイザがサマヤの独自調査エージェントの資格を52.9%から56.6%に引き上げている。 これはエージェント自身の高精細な設定よりも高く、クエリあたりのコストは37%低い。 提案手法の一般化について検討し、特に、HSADはWebShop, BIRD text-to-SQL, ExpertLongBenchにおける結果も改善することを示した。

関連論文リスト

• Agents Are Systems, Not Models: Rethinking Agentic Evaluation [80.87068485535677]
  エージェントの構成の5つの部分(タスク情報、推論、自己検証、時間予算、バックボーンモデル)について検討する。 結果の約54%は、変更ではなく、同じ構成を繰り返すことによるものです。 ベンチマークと18,000以上のエージェントトラジェクトリをリリースする。
  論文  参考訳（メタデータ） (2026-10-01T12:55:07Z)
• FinAutoRubric: Expert-Guided Automatic Rubric Generation for Evaluating Financial Research Agents [52.23447452815642]
  専門家レビューされた金融ベンチマークは、各機関の基準をコード化できない拡張に費用がかかる固定された、単位単位のルーリックに依存している。 FinAutoRubricでは、専門家が再利用可能な評価ガイダンスを指定し、エージェントとコードはクエリ固有のルーブリック生成、レビュー、バリデーションを実行する。 この専門家のガイダンスは、コードが強制するプロンプトやルールとして、すべてのエージェントを管理します。
  論文  参考訳（メタデータ） (2026-09-28T17:55:06Z)
• Fund2Persona: A Framework for Building and Refining Financial Advisor Personas from Fund Disclosure Data [92.72860874355746]
  我々は、資金開示、上場、市場状況、マネジャーのコメンタリーに財務担当のペルソナを基盤とするフレームワークであるFund2Personaを提案する。 得られたペルソナを,保留型保留型保留型再建とマネジャー・コンパートリーアライメントで評価した。 これらの結果は、ファンドデータに基づく金融アドバイザーの人格は、マネジャー固有の投資専門知識をポータブルにすることができることを示唆している。
  論文  参考訳（メタデータ） (2026-06-29T05:14:43Z)
• Learning-to-Defer with Expert-Conditioned Advice [6.3315181414487585]
  Learning-to-Deferは、すべての専門家に利用可能な情報が決定時に固定されていると仮定する。 異なる頭部を持つ経路とアドバイスを学習する自然分離サロゲートの広いファミリーが、最小限の非自明な設定でも矛盾していることを示す。 本稿では,複合専門家のアクション空間で動作する拡張サロゲートを導入し,$mathcalH$-consistencyの保証を証明した。
  論文  参考訳（メタデータ） (2026-03-15T10:52:58Z)
• 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)
• Provable Interactive Learning with Hindsight Instruction Feedback [29.754170272323105]
  本研究では,教師がエージェントが生成した応答に最も適した教示を提供するため,後向きの指導で学習を学習する。 この後見的な指示のラベル付けは、最適応答の専門的な監督を提供するよりも、提供しやすいことが多い。 この設定のためにLORILと呼ばれるアルゴリズムを導入し、その後悔の度合いが$sqrtT$で、$T$はラウンドの数であり、固有のランクに依存していることを示す。
  論文  参考訳（メタデータ） (2024-04-14T02:18:07Z)
• Agent-Aware Training for Agent-Agnostic Action Advising in Deep Reinforcement Learning [37.70609910232786]
  深層強化学習(DRL)における非効率サンプリングの課題を軽減するため、専門家教員からの補助的指導を活用するための行動アドバイス 従来のエージェント特異的な行動アドバイス法はエージェント自体の不完全性によって妨げられ、エージェント非依存的なアプローチでは学習エージェントへの適応性が制限される。 本稿では,エージェント・アウェア・trAining yet Agent-Agnostic Action Advising (A7) という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-28T14:09:43Z)
• Learning to Incentivize Information Acquisition: Proper Scoring Rules Meet Principal-Agent Model [64.94131130042275]
  インセンティブ付き情報取得問題について検討し、主治官がエージェントを雇って代理情報を収集する。 UCBアルゴリズムをモデルに適合させる,実証可能なサンプル効率の良いアルゴリズムを設計する。 本アルゴリズムは,主役の最適利益に対する微妙な推定手順と,所望のエージェントの行動にインセンティブを与える保守的な補正手法を特徴とする。
  論文  参考訳（メタデータ） (2023-03-15T13:40:16Z)

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。