論文の概要: SkillHorizon: Constructing Long-Horizon Agent Tasks through Skill Composition

• arxiv url: http://arxiv.org/abs/2610.14966v1
• Date: Sat, 10 Oct 2026 14:36:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.137815
• Title: SkillHorizon: Constructing Long-Horizon Agent Tasks through Skill Composition
• Title（参考訳）: SkillHorizon: スキル構成による長距離エージェントタスクの構築
• Abstract要約: ロングホライゾンエージェントは、後のアクティビティが以前の出力と共有状態の変更に依存するように完了しなければならない。 SkillHorizonは、7つのビジネス環境でのスキル構成を通じて長期タスクを構築するベンチマークである。 我々は,64Kから1Mトークンの参照インタラクションワークロードを用いた1,050タスクの5つの言語モデルを評価する。
• 参考スコア（独自算出の注目度）: 52.51270668013944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-horizon agents must complete workflows in which later activities depend on earlier outputs and changes to shared state. A key challenge for evaluation is to expand task requirements and their dependencies while keeping tasks executable and outcomes verifiable. We introduce SkillHorizon, a benchmark that constructs long-horizon tasks through skill composition in seven business environments. Its generators use domain-specific rules to turn reusable skill procedures into concrete business activities. These activities are connected through input-output dependencies, shared resources, and state updates, allowing workload and coordination demands to grow together. Successful reference executions validate task feasibility and measure interaction workload, while programmatic evaluators assess local completion and whole-task success. We evaluate five language models on 1,050 tasks with reference interaction workloads ranging from 64K to 1M tokens. Across these scales, mean local-goal completion falls from 90.4% to 46.8%, as completed work fails to keep pace with growing requirements. At larger workloads, agents more often submit unsuccessful final answers with substantial work unfinished and tool-call allowance remaining. Trace analysis also identifies cases where scripts execute successfully but their outputs fail downstream business checks. SkillHorizon provides a configurable testbed for studying sustained progress, dependency coordination, and complete task delivery in growing workflows. Our code is available at https://github.com/KnowComp/SkillHorizon.
• Abstract（参考訳）: ロングホライゾンエージェントは、後のアクティビティが以前の出力と共有状態の変更に依存するワークフローを完了しなければならない。 評価の重要な課題は、タスクの実行可能性と結果の検証を維持しながら、タスク要求とその依存関係を拡張することである。 SkillHorizonは、7つのビジネス環境でのスキル構成を通じて長期タスクを構築するベンチマークである。 ジェネレータはドメイン固有のルールを使用して、再利用可能なスキル手順を具体的なビジネス活動に変換する。 これらのアクティビティは、インプット・アウトプットの依存関係、共有リソース、状態更新を通じて接続される。 正常な参照実行はタスクの実現可能性を評価し、インタラクションの負荷を計測し、プログラム的評価器は局所的な完了と全タスクの成功を評価する。 我々は,64Kから1Mトークンの参照インタラクションワークロードを用いた1,050タスクの5つの言語モデルを評価する。 これらの規模で見ると、地域ゴールの完成率は90.4%から46.8%に低下する。 大規模なワークロードでは、エージェントが未完成でツールコールの許容が残っている場合、最終回答を失敗することが多い。 トレース分析はまた、スクリプトが正常に実行されるが、アウトプットが下流のビジネスチェックに失敗するケースを特定する。 SkillHorizonは、持続的な進捗、依存関係の調整、ワークフローの成長における完全なタスクデリバリを研究するための、設定可能なテストベッドを提供する。 私たちのコードはhttps://github.com/KnowComp/SkillHorizon.comから入手可能です。

関連論文リスト

• Tev: Scaling Long-Horizon Agentic Environments with Dense Progress Rewards [112.77335508486192]
  Tev-Gymは、検証可能で高密度でプログレッシブな報酬を持つ最初のロングホライゾンエージェントトレーニングデータセットである。 このレシピでトレーニングすることでTev-27Bが得られ、エージェントのLast Examコンピューティングと数学科学の領域でかなりの利益を得ている。
  論文  参考訳（メタデータ） (2026-10-13T17:59:51Z)
• AgentEvolver: System-Wide Self-Evolution Through Task Execution [32.98364264400361]
  本稿では,AgentEvolverについて紹介する。AgentEvolverは,基礎モデルを固定しながらタスク実行中に機能を開発するシステムである。 SWE-bench Pro Publicにおける課題成果を評価し、6つのアプリケーションケースにおける能力変化について検討する。 チームは82.08%の解像度で進化し、進化せずにベースラインを超えると報告している。
  論文  参考訳（メタデータ） (2026-10-08T09:55:05Z)
• Scaling Verifiable Environments for Long-horizon Work Agents [56.22497654434293]
  検証可能なワークエージェント環境を構築するためのスケーラブルな合成フレームワークであるWorkForgeを紹介する。 WorkForgeはまず、各ワークフローに必要なリソース、決定、成果物を特定する。 その後、関連する現実世界のファイルを取得し、それらをワークスペースに整理する。 WorkForgeはワークスペースを調べて、そのコンテンツに関する具体的な、チェック可能な事実を抽出する。
  論文  参考訳（メタデータ） (2026-10-04T03:36:14Z)
• LexiconVLA: Learning Reusable Atomic Action Codebooks for Unseen Tasks [52.045695649147966]
  クロスタスク再利用のための検索可能な原子-作用レキシコンを提案する。 グローバルかつ詳細なコードブックは、共有インタラクション構造ときめ細かい実行のバリエーションをキャプチャする。 視覚-原子的行動アライメントは、視覚状態変化からの軌道再構成と、行動コードからの視覚的結果予測を結合する。
  論文  参考訳（メタデータ） (2026-09-29T05:45:52Z)
• Behavior-Skill: A Fine-Grained Benchmark for Evaluating Vision-Language-Action Policies in Long-Horizon Tasks [39.959375504916494]
  本稿では,長期タスクの学習と評価を改定するベンチマークであるBehavior-Skillを提案する。 50世帯のタスクにまたがる1万件のデモから、34のセマンティックスキルカテゴリから235,492のスキルインスタンスが含まれている。 本研究では,長期VLAポリシーの分析と改善のための中間機能プロファイルを公開することで,行動スキルがフルタスク評価を補完することを示す。
  論文  参考訳（メタデータ） (2026-08-31T10:03:48Z)
• Claw-Eval-Live: A Live Agent Benchmark for Evolving Real-World Workflows [67.92316850084575]
  ワークフローエージェントのライブベンチマークであるClaw-Eval-Liveを紹介する。 各リリースは、公開ワークフロー要求信号から構築される。 Claw-Eval-Liveは実行トレース、監査ログ、サービス状態、実行後のワークスペースアーティファクトを記録する。
  論文  参考訳（メタデータ） (2026-04-30T17:23:19Z)
• GitTaskBench: A Benchmark for Code Agents Solving Real-World Tasks Through Code Repository Leveraging [41.754784344572286]
  実際のシナリオでコードエージェントを評価するベンチマークであるGitTaskBenchをリリースしています。 各タスクは、自動化された人為的な評価ハーネスと関連するリポジトリをペアリングする。 また,エージェント性能の経済的利益を定量化するためのα値指標を提案する。
  論文  参考訳（メタデータ） (2025-08-26T12:48:05Z)
• STAP: Sequencing Task-Agnostic Policies [22.25415946972336]
  本稿では,長期的課題を解決するために,操作スキルを訓練し,それらの幾何学的依存関係を計画時に調整するためのシークエンシングタスク非依存ポリシー(STAP)を提案する。 実験により, この目的関数が真理計画の実現可能性に近似していることが示唆された。 タスクプランナが提供したスキルシーケンスの幾何学的実現可能性を評価することで,STAPがタスク計画や動作計画にどのように使えるかを実証する。
  論文  参考訳（メタデータ） (2022-10-21T21:09:37Z)

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。