論文の概要: Conserved amount, negotiable placement. Prompting perturbs one architecture, an AI reviewer both
- arxiv url: http://arxiv.org/abs/2610.14130v1
- Date: Fri, 09 Oct 2026 12:08:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 23:08:13.355448
- Title: Conserved amount, negotiable placement. Prompting perturbs one architecture, an AI reviewer both
- Title（参考訳）: 保存量、交渉可能な配置。プロンプティングは1つのアーキテクチャ、AIレビュアーの両方を摂動させる
- Abstract要約: テスラーの保存法則は、問題は既約量の複雑さをもたらすとしている。
重要な部分が固定されている場合、アーキテクチャは量ではなく配置であり、どのレバーが配置を移動しているかが問題である。
AIエージェントは、2つのアーキテクチャ、ミュータティブSpringコントローラと追加のOfficeFloorパイプラインの下で、1つのエンドポイントで60の変更要求を蓄積する。
4つは外部制御であり、素の変更要求から開示された構造的コスト関数までである。
第2のエージェントは、凝集自体の変更と理由をレビューする。
完成した複雑性は、すべての10の細胞で4回の運用で7%から20%に変化し、複雑さは複雑になる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tesler's conservation law holds that a problem carries an irreducible amount of complexity. Brooks separates that essential part from the accidental part a solution adds. If the essential part is fixed, architecture is placement rather than quantity, and the question is which levers move placement. An AI agent implements sixty accumulating change requests on one REST endpoint under two architectures, a mutative Spring controller and an additive OfficeFloor pipeline, under five conditions, ten runs per cell, model fixed. Four are external controls, from a bare change request to the disclosed structural cost function. The fifth is different in kind. A second agent reviews each change and reasons about cohesion itself. Amount is steady. Across all ten cells the finished complexity varies by 7% to 20% over four operationalisations, and the complexity the sixty rules added by 21% to 29% within an architecture. Placement is not. Under the four external controls the plasticity ratio between the architectures is near 1 on six amount metrics (five of six intervals contain 1) against 2.7 to 10.0 on eleven placement metrics (ten of eleven above 1). The mutative architecture moves, the additive one does not, and the disclosed formula brings it to the additive arm's untouched placement. The AI reviewer is the one lever that moves the additive arm, on one family only. It consolidates the pipeline, raising change- and mass-concentration on every such metric, interval excluding zero, while leaving coupling, file count and per-node complexity untouched. The price is reported in full. Strict correctness fell in most comparisons though each rule was implemented correctly in over 99% of checkpoints, and all three outcome measures favour the concentrated codebase. The contribution is a measurable property of an architecture and its lever, not a verdict on either.
- Abstract（参考訳）: テスラーの保存法則は、問題は既約量の複雑さをもたらすとしている。
Brooksは、その重要な部分と、ソリューションが付加する偶発的な部分とを分離する。
重要な部分が固定されている場合、アーキテクチャは量ではなく配置であり、どのレバーが配置を移動しているかが問題である。
AIエージェントは、2つのアーキテクチャ、ミュータティブなSpringコントローラと追加のOfficeFloorパイプラインという2つのアーキテクチャの下で、1つのRESTエンドポイントに60の変更要求を蓄積する。
4つは外部制御であり、素の変更要求から開示された構造的コスト関数までである。
五つ目は種類が違う。
第2のエージェントは、凝集自体の変更と理由をレビューする。
金額は安定している。
完成した複雑性は、すべての10のセルで4つのオペレーティングに対して7%から20%、アーキテクチャ内で21%から29%に追加された60のルールの複雑さによって異なる。
配置はそうではない。
4つの外部制御の下では、建築間の塑性比が6つの量(5つの区間のうち1つ)で1に近づき、11の配置基準で2.7から10.0に近づいた。
変異的アーキテクチャは動き、加法的アーキテクチャは動かず、開示された公式は加法的アームの非タッチ配置にそれをもたらす。
AIレビュアーは、加算アームを1つのファミリーだけに移動させるレバーである。
パイプラインを集約し、そのようなメトリックのすべてに対して変更と大量集中を発生させ、0を除いたインターバルを排除し、結合、ファイル数、ノード毎の複雑さを未修正のままにしておく。
価格は全額報告されている。
厳密な正しさは、ほとんどの比較では低下したが、各ルールはチェックポイントの99%以上で正しく実装され、3つの結果がすべて集中コードベースを好む。
コントリビューションは、アーキテクチャとそのレバーの計測可能な特性であり、どちらも判断ではない。
関連論文リスト
- Arm-wise Compositional Generalization in Dual-Arm Vision-Language-Action Models [53.961292086732364]
マルチアームコラボレーションの一般化は、腕にまたがる新しい方法で親しみやすい原子スキルを構成するものとして研究することができる。
我々は,emphArm-wise compositional Generalizationのベンチマークである textbfACG-Bench を紹介した。
論文 参考訳（メタデータ） (2026-10-05T12:03:04Z) - Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes [74.32863692381677]
RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
論文 参考訳（メタデータ） (2026-10-04T14:48:54Z) - The Complexity Kink: A Prompt-Side Structural Complexity Index for Code-Generation Reliability [0.3186130813218338]
6次元のプロンプト側構造複雑度指数は、生成前にスコアし、正確性から分離する。
予備的なシングルラタールーブリックの6つのバンドで5,000のPythonプロンプトを選択します。
人間の合意は穏健であり、不一致に富んだ校正セットに依存している。
論文 参考訳（メタデータ） (2026-09-17T03:07:39Z) - Do AI Agents Understand Computer Architecture? [0.3176327333793051]
オートチューリングは同じエージェントを同じ15次元の加速器空間で2回操作する。
2つの間のギャップは測定値です。
批評家のループは、盲目のエージェントのギャップの大部分を回復し、アーキテクトに何も買わない。
論文 参考訳（メタデータ） (2026-09-16T20:10:28Z) - Governance at the Boundary: How Agent Decomposition Degrades Policy Compliance [6.411104724993454]
金融エージェントの統治可能性のベンチマークであるFiducia-benchを紹介します。
エージェントは、そのガバナンスを劣化させるのか?
あるコンポーネントによって発見されたポリシー関連事実は、それらに作用しなければならないコンポーネントに到達する前に、ハンドオフ境界で減衰される。
論文 参考訳（メタデータ） (2026-08-17T03:31:59Z) - Apodex Discovery: Reality Benchmarks and Environments for Evaluating and Building Discoverative Artificial Intelligence [86.61561123749011]
Apodex Discovery(アポデックスディスカバリー)は、重度解法を用いて発見的AIを構築し評価するためのフレームワークである。
まず16のセクターで511の業界を調査し、423の高価値現実問題を集め、最初のリリースで20を選定した。
第二に、共通の環境-タスク-エピソード抽象化は、データ、ツール、制約、フィードバック、軌跡記録、中間成果物と最終提出物の検証を提供する。
論文 参考訳（メタデータ） (2026-08-11T18:48:40Z) - Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses [57.20181537213498]
Agentic Harness Engineering (AHE)は、ハーネスエンジニアリングを自動化するクローズドループである。
AHEは3つの一致した可観測性柱を通じて課題に対処する。
10 AHE lift pass@1 on Terminal-Bench 2 from 69.7% to 77.0%。
SWE-bench-verifiedでは、種子よりも12%少ないトークンで合計成功率を上回り、ターミナルベンチ2では+5.1から+10.1ppのクロスファミリーゲインを得る。
論文 参考訳（メタデータ） (2026-04-28T16:55:02Z) - The Metacognitive Monitoring Battery: A Cross-Domain Benchmark for LLM Self-Monitoring [0.0]
本稿では,Nelson and Narens(1990)メタ認知フレームワークを基盤としたLLMにおけるモニタリング制御結合のドメイン間挙動測定を紹介する。
電池依存キャリブレーションは、単調低下(Q)、単調上昇(GPT-5.4)、平(Gemma)を含む。
発見は、独立なType-2 SDTアプローチと構造的に収束し、予備的なクロスメタルキャリブレーションを提供する。
論文 参考訳（メタデータ） (2026-04-17T05:15:15Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。
Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。
SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
論文 参考訳（メタデータ） (2025-09-25T14:05:55Z)
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。