論文の概要: Humans vs. Machines: A Comparison With AI Agents in Software Reverse Engineering

• arxiv url: http://arxiv.org/abs/2610.14960v1
• Date: Sat, 10 Oct 2026 14:32:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.1371
• Title: Humans vs. Machines: A Comparison With AI Agents in Software Reverse Engineering
• Title（参考訳）: 人間 vs. マシン: ソフトウェアリバースエンジニアリングにおけるAIエージェントの比較
• Abstract要約: 最高のエージェントは2つのタスクについて統計的に人間競合的な理解を達成するが、より弱いモデルははるかに遅れている。 人間は繰り返し関数を再検討し、ローカルなプログラム構造に従う。 greedyフェッチはエージェントのコンテキスト内で大量のコードを集約するので、実世界の4000個のバイナリにわたるコンテキストウィンドウ飽和を測定する。
• 参考スコア（独自算出の注目度）: 4.320676537178967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can an autonomous AI agent reverse engineer a binary as well as a skilled human analyst? Do they adopt the same strategy, and can agents scale to real-world programs? We compare human and LLM-based software reverse engineering (SRE): nine models tackle two compact static-analysis challenges previously solved by human analysts, scored with a common understanding rubric, and we record their complete interactions with IDA Pro. This lets us compare not only what humans and agents recover, but also how they investigate a binary. The best agents (GPT-5.5 Pro, Claude Opus 4.8, and Kimi K3) achieve statistically human-competitive understanding on both tasks, while weaker models remain far behind. Ablations show that the gap depends on code representation and workflow demands, not on model capability alone: open-weight models improve substantially with richer code representations, whereas frontier models show no significant change. Similar success rates hide different workflows. Humans repeatedly revisit functions and follow local program structure; strong agents jump across the binary, retrieve information broadly, and rarely return to inspected code, a behavior we call greedy fetching. This strategy is not fixed: given semantically richer code, agents fetch less without losing understanding. Because greedy fetching aggregates large amounts of code in the agent's context, we measure context-window saturation across 4,000 real-world binaries: large windows accommodate many programs, but larger applications and lower-level representations quickly exhaust them. Autonomous reverse engineering is becoming competitive, with a large speed advantage, but scaling it will require better navigation, selective retrieval, and persistent analysis state, not merely larger context windows.
• Abstract（参考訳）: 自律的なAIエージェントは、熟練した人間のアナリストと同様にバイナリーをリバースエンジニアリングできるだろうか? 彼らは同じ戦略を採用し、エージェントは現実世界のプログラムにスケールできるのか? 我々は、人間とLLMベースのソフトウェアリバースエンジニアリング(SRE)を比較した。9つのモデルは、以前に人間アナリストが解決した2つのコンパクトな静的解析問題に対処し、共通理解ルーリックでスコア付けし、IDA Proとの完全な相互作用を記録する。 これにより、人間とエージェントの回復状況だけでなく、バイナリーの調査方法も比較できます。 最高のエージェント(GPT-5.5 Pro、Claude Opus 4.8、Kim K3)は、両方のタスクにおいて統計的に人間競合的な理解を得るが、より弱いモデルの方がはるかに遅れている。 オープンウェイトモデルはよりリッチなコード表現で大幅に改善されますが、フロンティアモデルは大きな変化を示していません。 同様の成功率は、ワークフローを隠蔽する。 強いエージェントがバイナリを飛び越えて情報を広範囲に取得し、検査済みのコードに戻ることは滅多にありません。 セマンティックにリッチなコードを考えると、エージェントは理解を失うことなくフェッチを減らします。 greedyフェッチはエージェントのコンテキスト内で大量のコードを集約するので、4000の現実世界のバイナリをまたいだコンテキストウィンドウ飽和を測定する。 自律的なリバースエンジニアリングは競争が激しくなり、スピードの優位性は大きくなっているが、スケールアップには、より優れたナビゲーション、選択的検索、永続的な分析状態が必要であり、単に大きなコンテキストウィンドウではない。

関連論文リスト

• From Determinism to Delegation: AI-Native Software Engineering and the Evolution of the Agentic Engineer [0.0]
  ソフトウェアエンジニアリングは、ハイレベルなプログラミング言語の出現以来、最も重要な変革を経験しています。 本稿では、AI-Native Software Engineeringは単なるツールの進歩というよりもパラダイムシフトである、と論じる。 我々は、推論実行ループ、コンテキストエンジニアリング、ツール使用、メモリ、行動ドリフト、構成誤差を含む自律エージェントの中核メカニズムを定義する。
  論文  参考訳（メタデータ） (2026-06-27T07:43:43Z)
• Agentic Software: How AI Agents Are Restructuring the Software Paradigm [0.0]
  AIエージェントの出現は、ソフトウェアが何であるかの根本的な再構成を構成すると我々は主張する。 前者では、コードは事前記述された決定論理のキャリアであり、後者では、エージェント自体が決定論理である。 セルフ進化エージェントエコシステムに向けた4段階のロードマップで締めくくります。
  論文  参考訳（メタデータ） (2026-06-04T02:30:06Z)
• Code as Agent Harness [107.31925305395957]
  新興のエージェントシステムでは、コードはもはや単なる目標出力ではない。 コードはエージェントの推論、行動、環境モデリング、実行ベースの検証のための運用上の基盤としてますます役立っている。 この調査は、実行可能、検証可能、ステートフルなAIエージェントシステムに向けた統一されたロードマップを提供する。
  論文  参考訳（メタデータ） (2026-05-18T17:59:03Z)
• Step-level Optimization for Efficient Computer-use Agents [51.29573359027217]
  我々は、強力なコンピュータ利用エージェントは、実際は高価で遅いと論じている。 本稿では,コンピュータ利用エージェントのためのイベント駆動ステップレベルカスケードを提案する。
  論文  参考訳（メタデータ） (2026-04-29T19:59:36Z)
• The Semi-Executable Stack: Agentic Software Engineering and the Expanding Scope of SE [3.6320170149653985]
  AIベースのシステムは、ソフトウェアエンジニアリングに対する脅威として、ますます議論されている。 この論文は別の読み方を主張する。 設計されているものは、実行可能なコードから半実行可能なアーティファクトへと拡張するということです。
  論文  参考訳（メタデータ） (2026-04-16T18:36:02Z)
• AgentArk: Distilling Multi-Agent Intelligence into a Single LLM Agent [57.10083973844841]
  AgentArkは、マルチエージェントダイナミクスを単一のモデルの重みに蒸留する新しいフレームワークである。 各種モデル,タスク,スケーリング,シナリオの3つの階層的蒸留戦略について検討する。 シミュレーションからトレーニングへ計算の負担をシフトさせることで、蒸留されたモデルは、複数のエージェントの強い推論と自己補正性能を示しながら、一つのエージェントの効率を保ちます。
  論文  参考訳（メタデータ） (2026-02-03T19:18:28Z)
• If You Want Coherence, Orchestrate a Team of Rivals: Multi-Agent Models of Organizational Intelligence [1.1637186977447433]
  完全コンポーネントを得ることなく、不完全なコンポーネントを慎重にオーケストレーションすることで信頼性を実現することができることを示す。 本稿では,このようなシステムのアーキテクチャについて述べる。特殊エージェントチーム(プランナ,実行者,評論家,専門家)。 提案手法は,ユーザの露出前に90%以上の内部エラーインターセプションを達成し,許容可能なレイテンシトレードオフを維持していることを示す。
  論文  参考訳（メタデータ） (2026-01-20T17:19:09Z)
• 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)
• Code with Me or for Me? How Increasing AI Automation Transforms Developer Workflows [60.04362496037186]
  本研究は,コーディングエージェントと開発者インタラクションを制御した最初の研究である。 我々は,2つの主要な協調型およびエージェント型符号化アシスタントの評価を行った。 結果から,エージェントはコピロトを超える方法で開発者を支援することができることがわかった。
  論文  参考訳（メタデータ） (2025-07-10T20:12:54Z)

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。