論文の概要: SkillFusion: Towards Reliable Multi-Skill Composition for LLM Agents
- arxiv url: http://arxiv.org/abs/2610.15481v1
- Date: Sun, 11 Oct 2026 09:30:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.215991
- Title: SkillFusion: Towards Reliable Multi-Skill Composition for LLM Agents
- Title（参考訳）: スキルフュージョン:LLMエージェントの信頼性の高いマルチスキル構成を目指して
- Abstract要約: 独立した権限を持つスキルは、エージェントが共同でロードする場合、互換性のない要件、競合する好み、冗長な命令を課すことができる。
本稿では,これらのインタラクションを再利用可能な統合スキルに分解するオフラインコンパイラであるSkillFusionを提案する。
- 参考スコア（独自算出の注目度）: 22.041183894545586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Independently authored skills can impose incompatible requirements, competing preferences, and redundant instructions when jointly loaded by an LLM agent. We propose SkillFusion, an offline compiler that reconciles these interactions into a reusable merged skill. Its central idea is to make composition decisions explicit through typed, scoped constraints linked to their source directives. A type-scope gate selects candidate interactions, while selective fallback revisits pairs potentially missed by structural pruning. A classifier identifies interaction types, and an adversarial verifier re-examines uncertain judgments. The resolver applies conditional routing or explicit priorities to hard conflicts, verified abstraction to soft conflicts, and deduplication to redundant instructions. Source-linked checks guide synthesis and compression, and metadata synthesis supports discovery of the merged skill. The resulting artifact retains associated scripts and resources and can be reused across tasks and executor models. SkillFusion achieves the highest mean Success among evaluated non-oracle methods on all three agent benchmarks and on both transfer benchmarks across three executor models. At the largest tested instruction configurations, it achieves over 2.5 times the Success of unresolved multi-skill loading, highlighting the growing value of reconciliation as composition becomes more demanding. The code will be open-sourced after the review process concludes.
- Abstract（参考訳）: 独立した権限を持つスキルは、LLMエージェントが共同でロードする場合、互換性のない要件、競合する好み、冗長な命令を課すことができる。
本稿では,これらのインタラクションを再利用可能な統合スキルに分解するオフラインコンパイラであるSkillFusionを提案する。
その中心となる考え方は、ソースディレクティブに関連付けられた、型付き、スコープ付き制約によって構成決定を明示することである。
タイプスコープゲートは、候補の相互作用を選択し、選択的なフォールバックは、構造的なプルーニングによって見逃される可能性のあるペアを再検討する。
分類器は、相互作用タイプを特定し、逆検証器は不確実な判断を再検査する。
レゾルバは、ハードコンフリクトに条件付きルーティングまたは明示的な優先順位を適用し、ソフトコンフリクトに検証された抽象化、冗長な命令への重複を除去する。
ソースリンクされたチェックは、合成と圧縮をガイドし、メタデータ合成は、マージされたスキルの発見をサポートする。
結果として生成された成果物は、関連するスクリプトやリソースを保持し、タスクやエグゼキュータモデル間で再利用することができる。
SkillFusionは、評価された3つのエージェントベンチマークおよび2つのエグゼクタモデル間の転送ベンチマークにおいて、評価された非オーラルメソッドの中で、最も平均的な成功を達成する。
最大でテストされた命令構成では、未解決のマルチスキルローディングの成功を2.5倍以上に達成し、構成がより要求されるようになるにつれて、和解の価値が増大することを示した。
レビュープロセスが終了したら、コードはオープンソースになる。
関連論文リスト
- Generative Skill Composition for LLM Agents [58.47191648555256]
LLMエージェントは複雑なタスクを解決するためのスキルの恩恵を受ける。
スキルライブラリが成長するにつれて、適切なスキル構成を選択することが中心的なボトルネックとして現れている。
本稿では,タスク条件付きスキルシーケンス予測として構造化されたスキルコンポジションをインスタンス化するSkillComposerを提案する。
論文 参考訳（メタデータ） (2026-06-30T17:53:09Z) - Skill Is Not Document: A Query-Conditional Benchmark and Two-Stage Retriever for LLM Agent Skill Routing [40.648572239231804]
R3-Skillは、現実的なエージェントスキルルーティングのベンチマークである。
スキル互換性を明示的な訓練信号とする2段階検索システムを構築した。
データセット、トレーニングコード、モデルウェイトは、エージェントスキルルーティングのためのオープンソースとしてリリースされている。
論文 参考訳（メタデータ） (2026-06-02T12:30:46Z) - PRIMA: Operational Patterns for Resilient Multi-Agent Research with Verifiable Identity and Convergent Feedback [0.0]
PRIMAは、複数時間にわたる協調型マルチエージェント研究システムとして運用されている。
主なコントリビューションは、生存可能な障害モードのための3つの運用パターンである。
グラフ同型ケーススタディは、生成されたアーティファクトのアーキテクチャ的クレームを根拠にしている。
論文 参考訳（メタデータ） (2026-05-23T23:27:46Z) - To Fuse or to Drop? Dual-Path Learning for Resolving Modality Conflicts in Multimodal Emotion Recognition [87.22988227382329]
マルチモーダル感情認識(MER)は、テキスト、音声、視覚を組み合わせることで恩恵を受けるが、標準的な融合は、モダリティが相反する場合に失敗することが多い。
我々は,いつフューズするか,いつモダリティを落とすのかを学習する統合フレームワークであるDual-Path Conflict Resolution (DCR)を提案する。
論文 参考訳（メタデータ） (2026-05-06T13:11:33Z) - Experts are all you need: A Composable Framework for Large Language Model Inference [8.747592414164687]
大規模言語モデル(LLM)は、様々な自然言語処理(NLP)タスクにおいて最先端の精度を達成した。
MoEは、パラメータや"専門家"のサブセットのみを活性化することによって、モデルキャパシティを計算から切り離すことで、このボトルネックを克服する。
論文 参考訳（メタデータ） (2025-11-28T08:00:16Z) - CompassVerifier: A Unified and Robust Verifier for LLMs Evaluation and Outcome Reward [50.97588334916863]
評価と結果報酬のための正確で堅牢な軽量検証モデルであるCompassVerifierを開発した。
数学、知識、多種多様な推論タスクにまたがる多分野の能力を示し、様々な答えの型を処理する能力を示す。
我々は,複数のデータソースから収集したモデル出力からなるVerifierBenchベンチマークを導入し,メタエラーパターンを手動で解析してCompassVerifierを強化する。
論文 参考訳（メタデータ） (2025-08-05T17:55:24Z) - Visual Document Understanding and Question Answering: A Multi-Agent Collaboration Framework with Test-Time Scaling [83.78874399606379]
テスト時間スケーリングを備えたマルチエージェント協調フレームワークであるMACTを提案する。
4つの異なる小規模エージェントから構成され、明確に定義された役割と効果的なコラボレーションがある。
一般および数学的タスクの能力を犠牲にすることなく、より小さなパラメータスケールで優れた性能を示す。
論文 参考訳（メタデータ） (2025-08-05T12:52:09Z) - LLM-Driven Collaborative Model for Untangling Commits via Explicit and Implicit Dependency Reasoning [15.20947984949809]
コミット回避のための新しいコラボレーティブコンサルテーションフレームワークであるColaUntangleを提案する。
ColaUntangleは、LLM(Large Language Model)駆動エージェントをマルチエージェントアーキテクチャに統合する。
広く使われている2つのデータセット(1,612 C#と14k Java tangledコミット)上でColaUntangleを評価する。
論文 参考訳（メタデータ） (2025-07-22T09:42:13Z) - When Disagreements Elicit Robustness: Investigating Self-Repair Capabilities under LLM Multi-Agent Disagreements [56.29265568399648]
我々は、不一致が早期のコンセンサスを防ぎ、探索されたソリューション空間を拡張することを主張する。
タスククリティカルなステップの相違は、ソリューションパスのトポロジによってコラボレーションを損なう可能性がある。
論文 参考訳（メタデータ） (2025-02-21T02:24:43Z) - Merging Generated and Retrieved Knowledge for Open-Domain QA [72.42262579925911]
COMBOは、より良いオープンドメインQAフレームワークのための互換性指向の知識の融合である。
COMBOは4つのテスト済みオープンドメインQAベンチマークのうち3つで競合ベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2023-10-22T19:37:06Z)
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。