論文の概要: Harmony Harness: Multi-Objective Self-Evolution of Agent Harnesses

• arxiv url: http://arxiv.org/abs/2610.15150v1
• Date: Sat, 10 Oct 2026 20:06:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.168975
• Title: Harmony Harness: Multi-Objective Self-Evolution of Agent Harnesses
• Title（参考訳）: ハーモニー・ハーネス:エージェント・ハーネスの多目的自己進化
• Abstract要約: 本稿では,多目的・構成的ハーネス進化のためのフレームワークであるHarmony Harnessを紹介する。 SecRepoBench と BaxBench にまたがって、Harmony Harness は強いハーネス進化ベースラインを上回っている。 以上の結果から,客観的トレードオフとハーネス構造の両方を明示的にモデル化することで,より強く,より伝達可能なエージェントの進化がもたらされることが示唆された。
• 参考スコア（独自算出の注目度）: 43.57696141727168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work on self-evolving LLM agents treats the agent harness as an optimization target that can be iteratively improved through execution feedback. Existing approaches, however, largely optimize a single objective and evolve the harness as a monolithic artifact, limiting their ability to handle competing goals and to separate transferable design from environment-specific adaptation. We introduce Harmony Harness, a framework for multi-objective, compositional harness evolution. Harmony Harness formulates harness evolution as a multi-objective optimization problem and uses decomposition-based evolutionary search to maintain solutions across different regions of the Pareto frontier, avoiding reliance on a hand-designed structural diversity metric for repository-scale harnesses. In parallel, we introduce factorized evolution operators that separately refine general-purpose harness mechanisms and benchmark-specific adaptations, together with a dynamic composition workflow that integrates them at inference time. Across SecRepoBench and BaxBench, Harmony Harness consistently outperforms strong harness-evolution baselines, with gains exceeding 10% on both benchmarks. Our results show that explicitly modeling both objective trade-offs and harness structure yields substantially stronger and more transferable agent evolution than existing single-objective, monolithic approaches.
• Abstract（参考訳）: 自己進化型LLMエージェントの最近の研究は、エージェントハーネスを最適化ターゲットとして扱い、実行フィードバックを通じて反復的に改善することができる。 しかし、既存のアプローチは、主に単一目的を最適化し、ハーネスをモノリシックなアーティファクトとして進化させ、競合する目標に対処し、トランスファー可能な設計を環境固有の適応から分離する能力を制限する。 本稿では,多目的・構成的ハーネス進化のためのフレームワークであるHarmony Harnessを紹介する。 ハーモニー・ハーネスの公式は、多目的最適化問題として進化を利用し、分解に基づく進化的探索を用いてパレートフロンティアの異なる領域のソリューションを維持する。 並列に、汎用ハーネス機構とベンチマーク固有の適応を別々に洗練する分解進化演算子と、推論時にそれらを統合する動的合成ワークフローを導入する。 SecRepoBench と BaxBench 全体で、Harmony Harness は強いハーネス進化ベースラインを一貫して上回り、両方のベンチマークで10%以上上昇している。 以上の結果から, 目的的トレードオフとハーネス構造の両方を明示的にモデル化すると, 既存の単目的モノリシックアプローチに比べて, エージェントの進化が著しく強く, より伝達しやすいことが示唆された。

関連論文リスト

• HarnessNet: Feedback-driven Hierarchical Joint Harness Evolution for Multi-agent Systems [5.315316451049643]
  既存の研究はシングルエージェントに焦点を合わせ、マルチエージェントシステムにおけるジョイントハーネスの進化を過小評価している。 マルチエージェントシステムにおける階層的ハーネス進化のためのフレームワークであるHarnessNetを提案する。
  論文  参考訳（メタデータ） (2026-10-10T23:28:24Z)
• Self-Evolving Memory for Generative Recommendation [100.15207958893029]
  生成的レコメンデーションは、パーソナライズされたレコメンデーションのための有望なエンドツーエンドパラダイムとして登場した。 継続的再訓練や蒸留に基づく適応といった既存の進化戦略は、共有モデルパラメータを直接更新する。 本稿では,異種行動パターン間の効果的な進化を実現することを目的とした,自己進化型メモリパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-09-14T14:00:38Z)
• ModularRSI: Modular and Generalizable Recursive Harness Self-Improvement [46.36989489677189]
  我々は、一般化可能なハーネス進化のための、ベンチマーク非結合、コントラストおよびモジュラーフレームワークを提案する。 ModularRSIは、同じタスクに対する成功と失敗の軌跡を対比し、繰り返し発生する行動障害を特定するために、タスク全体で証拠を集約する。 進化可能なハーネスを,エージェントループ,ツール使用,監視管理,コンテキスト管理,タスク補完検出という,5つの機能モジュールに分解する。
  論文  参考訳（メタデータ） (2026-09-14T00:10:45Z)
• HarnessCompass: Guiding Automatic Harness Evolution toward Generalizable and Effective Agent Harnesses [17.229636050055266]
  Harness設計は、大規模言語モデル(LLM)が実行環境内でどのように認識し、推論し、動作しているかを形作ることで、エージェントのパフォーマンスにおいて重要な役割を果たす。 最近の研究は、エージェント-環境相互作用からハーネスを反復的に改善する自動ハーネス進化を提案している。 制約付き進化、積極的フィードバック、コンポーネントワイド最適化を中心に構築された新しい自動ハーネス進化フレームワークであるHarnessを提案する。
  論文  参考訳（メタデータ） (2026-08-03T08:51:50Z)
• Meta-Reinforcement Learning via Evolution for Multi-Objective Combinatorial Supply Chain Optimisation [3.2580935846865677]
  本稿では,スカラー化重み空間における分解と進化探索を組み合わせたメタ強化学習フレームワークを提案する。 経済・環境・社会目標の相反する多次元サプライチェーン設定における手法の評価を行った。
  論文  参考訳（メタデータ） (2026-06-20T16:55:48Z)
• EvoIR: Towards All-in-One Image Restoration via Evolutionary Frequency Modulation [54.37259500020744]
  EvoIRは、動的および適応的な画像復元のための進化周波数変調を導入する、AiOIR固有のフレームワークである。 具体的には、EvoIRは周波数変調モジュール(FMM)を採用し、特徴を高周波数分岐と低周波数分岐に明示的に分解する。 進化最適化戦略(EOS: Evolutionary Optimization Strategy)は、人口ベースの進化過程を通じて、周波数認識の目的を反復的に調整する。
  論文  参考訳（メタデータ） (2025-12-04T18:59:10Z)
• An Integrated Fusion Framework for Ensemble Learning Leveraging Gradient Boosting and Fuzzy Rule-Based Models [59.13182819190547]
  ファジィ規則に基づくモデルは解釈可能性に優れ、様々な分野に広く応用されている。 複雑な設計仕様や大規模データセットのスケーラビリティといった課題に直面している。 本稿では,モデル性能と解釈可能性を高めるために,両パラダイムの強みを融合した統合統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-11T10:28:23Z)
• REMoH: A Reflective Evolution of Multi-objective Heuristics approach via Large Language Models [39.85828629779943]
  多目的最適化は、複雑な意思決定タスクにおいて基礎となる。 大規模言語モデル(LLM)の最近の進歩は、説明可能性、適応性、推論の強化を提供する。 本研究では,NSGA-II と LLM を融合した新たなフレームワークである REMoH (Reflectionive Evolution of Multi-Objective Heuristics) を提案する。
  論文  参考訳（メタデータ） (2025-06-09T13:38:28Z)

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。