論文の概要: ProgAgent: Learning Tool Orchestration through Programmatic Training
- arxiv url: http://arxiv.org/abs/2610.14774v1
- Date: Sat, 10 Oct 2026 09:57:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.10305
- Title: ProgAgent: Learning Tool Orchestration through Programmatic Training
- Title（参考訳）: ProgAgent: プログラムトレーニングによるツール編成の学習
- Abstract要約: Programmatic Tool Calling (PTC) は実行可能なコードを通じてツールを呼び出し、中間結果をコンテキストに付加するのではなく、実行時変数に格納する。
ProgAgentは、長距離タスクを合成するためのパイプライン、軽量PSCランタイム、および2段階のトレーニングレシピからなる完全なPTCトレーニングスタックである。
ProgAgentは、4つのベンチマークで比較された同等サイズのベースラインよりも高いパスレートを得る。
- 参考スコア（独自算出の注目度）: 29.641803167053638
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Large language models (LLMs) are increasingly expected to orchestrate diverse tools over long-horizon tasks. Existing agents typically use Direct Tool Calling (DTC), where the model invokes tools sequentially, and tool responses accumulate in the model context, which can lead to context rot and orchestration breakdown. In contrast, Programmatic Tool Calling (PTC) invokes tools through executable code and stores intermediate results in runtime variables rather than appending them to the context. Prior work has explored PTC mainly as an inference-time optimization, but its benefits for agentic training remain unclear, and suitable verifiable training tasks are scarce. In this work, we introduce ProgAgent, a full PTC training stack, comprising a pipeline for synthesizing verifiable long-horizon tasks, a lightweight PTC runtime, and a two-stage training recipe. Using only 215 tasks instantiated at four environment scales, ProgAgent yields higher pass rates than the evaluated baselines of comparable size across four benchmarks. On LOCA-bench, ProgAgent-14B achieves a 30.7% pass rate at a 64k-token environment state, where these baselines score zero. Cross-harness experiments show that PTC-trained models outperform DTC-trained models under both evaluation interfaces, suggesting that the benefits of PTC training extend beyond the interface.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、長期的タスクよりも多様なツールを編成することがますます期待されている。
既存のエージェントは通常、ツールをシーケンシャルに呼び出し、ツール応答をモデルコンテキストに蓄積するダイレクトツール呼び出し(DTC)を使用します。
対照的に、Programmatic Tool Calling (PTC)は実行可能なコードを通じてツールを呼び出し、中間結果をコンテキストに付加するのではなく、実行時変数に格納する。
従来の研究は、主に推論時最適化としてPSCを探索してきたが、エージェントトレーニングの利点はまだ不明であり、適切な検証可能なトレーニングタスクは不十分である。
本稿では,検証可能な長距離タスクを合成するためのパイプライン,軽量PSCランタイム,および2段階のトレーニングレシピを含む,完全なPTCトレーニングスタックであるProgAgentを紹介する。
4つの環境スケールでインスタンス化された215のタスクを使用して、ProgAgentは4つのベンチマークで比較された同等の大きさのベースラインよりも高いパスレートを得る。
LOCA-benchでは、ProgAgent-14Bは64k-token環境で30.7%のパスレートを達成する。
クロスハーネス実験により、PTC訓練モデルは両方の評価インタフェース下でDTC訓練モデルよりも優れており、PTCトレーニングの利点はインターフェイスを超えて拡張されていることが示唆された。
関連論文リスト
- WEFT: Scaling Tool-Use Post-Training for General-Purpose Agents [83.57238211078025]
WEFTは、環境幅、タスクの複雑さ、相互作用の多様性にまたがるエージェントインタラクションシステムの構築をスケールする。
大規模で安定した後トレーニングでは、WEFTは最適化と実行の信頼性の両方に対処する。
様々なモデルとベンチマークによる実験は、ツール使用後のトレーニングにおけるWEFTの有効性を示す。
論文 参考訳（メタデータ） (2026-09-29T07:14:53Z) - Cross-Benchmark Generalization in Long-Horizon Agents [1.0742728354283815]
我々は,27のカテゴリにわたる363の長距離モデルコンテキストプロトコル(MCP)タスク上で,オープンウェイト・ミックス・オブ・エキスパート・モデルを構築した。
トレーニングには外部ベンチマークタスクやグレーダが入らず、報酬、ハイパーパラメータのトレーニング、トレーニングされたチェックポイントの選択、停止を外部スコアが知らせなかった。
両方のソフトウェアベンチマークは、ソフトウェアエンジニアリングタスクを含まないトレーニングコレクションにもかかわらず改善されている。
論文 参考訳（メタデータ） (2026-07-31T18:05:36Z) - AutoTrainess: Teaching Language Models to Improve Language Models Autonomously [18.706079441467992]
訓練言語モデル(LM)は、非常に人間中心のプロセスである。
本稿では、これらの操作を、計画、データ準備、トレーニング、評価、ロギングのためのエージェント・コンピュータ・インタフェースのリポジトリとして公開するLMエージェントであるAutoTrainessを紹介する。
PostBenchでは、AutoTrainessはCLIのみのベースラインを一貫して上回り、GPT-5.4 (Codex)で26.94点、CLIのみでは23.21点を記録した。
論文 参考訳（メタデータ） (2026-06-30T12:09:51Z) - Synthesize and Reward -- Reinforcement Learning for Multi-Step Tool Use in Live Environments [12.645050883623982]
本稿では,3つのコントリビューションを持つPROVE(Programmatic Rewards On Verified Environments)を提案する。
20のステートフルMPPサーバからなるライブラリは343のツールを公開し、セッションスコープによるステートアイソレーションによるライブ実行RLトレーニングを可能にする。
状態マシンデータ合成パイプラインは、ライブサンプリングされたサーバ状態にグラウンドされたマルチターンツールコールトラジェクトリを生成し、実際に存在するクエリ参照エンティティを生成する。
BFCLのMulti-Turn、tau2-bench、T-Evalでは、PROVEは最大+10.2、+6.8、+6.5ポイントの改善をもたらす。
論文 参考訳（メタデータ） (2026-06-02T16:52:31Z) - SWE-QA-Pro: A Representative Benchmark and Scalable Training Recipe for Repository-Level Code Understanding [41.98672557723593]
SWEQA-Proは,多種多様な長期リポジトリと実行可能な環境から構築されたベンチマークである。
さらに,2段階のトレーニングレシピであるSupervised Fine-Tuning(SFT)とReinforcement Learning from AI Feedback(RLAIF)という,スケーラブルな合成データパイプラインを提案する。
SWE-QA-ProのGPT-4oを2.3ポイント超え、最先端モデルとのギャップを大幅に狭める。
論文 参考訳（メタデータ） (2026-03-17T05:12:48Z) - CoVe: Training Interactive Tool-Use Agents via Constraint-Guided Verification [17.56502992098113]
textbfCoVe(textbfConstraint-textbfVerification)は、対話型ツール使用エージェントのトレーニング用に設計されたトレーニング後のデータ合成フレームワークである。
それらは、複雑な軌跡の生成をガイドし、軌道品質を評価するための決定論的検証器として機能する。
論文 参考訳（メタデータ） (2026-03-02T14:56:35Z) - Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback [51.22403664895878]
Agent2Worldは、強力な推論時ワールドモデル生成を実現するツール拡張マルチエージェントフレームワークである。
また、マルチエージェントフィードバックの生成を基盤にすることで、教師付き微調整のためのデータエンジンとしても機能する。
論文 参考訳（メタデータ） (2025-12-26T18:54:14Z) - Reinforcement Learning for Machine Learning Engineering Agents [52.03168614623642]
強化学習によって改善される弱いモデルによって支援されるエージェントは、はるかに大きいが静的モデルによって支援されるエージェントよりも優れていることを示す。
分散非同期RLフレームワークにおいて,高コストかつ高利回りな動作を増幅するための時間依存性の勾配更新を提案する。
また,早期に失敗するプログラムとほぼ正しくないプログラムを区別し,部分クレジットを提供する環境機器を提案する。
論文 参考訳（メタデータ） (2025-09-01T18:04:10Z) - Acting Less is Reasoning More! Teaching Model to Act Efficiently [87.28134636548705]
ツール統合推論は、タスクを解決するために外部ツールを呼び出す機能によって、大きな言語モデルを拡張します。
現在のアプローチは、外部ツールの使用効率や必要性を考慮せずに、最終的な正確性のためにのみ最適化されている。
最小限のツールコールで正確な回答をモデルに提示するフレームワークを提案する。
このアプローチでは,ツールコールを最大68.3%削減し,ツールの生産性を最大215.4%向上すると同時に,同等の回答精度を維持している。
論文 参考訳（メタデータ） (2025-04-21T05:40:05Z) - Boosting Virtual Agent Learning and Reasoning: A Step-Wise, Multi-Dimensional, and Generalist Reward Model with Benchmark [72.46357004059661]
Generalist Virtual Agents (GVA) は自律的なタスク実行において大きな可能性を示している。
これらの課題に対処するため,ステップワイズ多次元ジェネラリスト・リワードモデルを提案する。
同様に、エージェントトレーニング用のきめ細かい信号を提供し、推論時間スケーリングのためのより良いアクションを選択することができる。
論文 参考訳（メタデータ） (2025-03-24T13:30:47Z)
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。