論文の概要: Small but Mighty: Test Suites as Improvement Signals for Self-Evolving Agents
- arxiv url: http://arxiv.org/abs/2610.15964v1
- Date: Sun, 11 Oct 2026 22:36:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.277349
- Title: Small but Mighty: Test Suites as Improvement Signals for Self-Evolving Agents
- Title（参考訳）: 小型ながら美味しい:自己進化剤の改良信号としてのテストスイート
- Abstract要約: TeSearchは、品質多様性の進化アルゴリズムを用いて、小さくて強いテストスイートを検索する。
129の現実世界のモジュールと3つのバックボーンで、TeSearchはどんなメソッドでも最高品質のスイートを提供する。
リポジトリのテストでは、59.9%の動作変更リライトが25.3%に対して、偽アラームレートが4.0%、決定毎に3.5秒で拒否されている。
- 参考スコア（独自算出の注目度）: 47.31799993604283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A self-evolving agent rewrites its own harness and must decide which rewrites to keep, so its improvement signal is the check a rewrite has to pass. Verifying a rewrite by agent rollout is expensive and subjective, while executable checks such as the repository's own tests are too sparse to catch behavior-changing rewrites, rejecting only a quarter of them. We instead take test feedback as the executable signal, and search for test suites that are both small and strong with a quality-diversity evolutionary algorithm, so that the signal is dense and informative. TeSearch treats suite size as a behavior descriptor, so that quality is pursued at every size and a small, strong suite is reachable, and learns a transition kernel during the search that denoises the LLM as an actuator on that descriptor. Across 129 real-world modules and three backbones, TeSearch delivers the highest-quality suites of any method compared, LLM-driven evolutionary search included, and the smallest of any LLM-based one. Used as the improvement signal of a self-evolving agent, it rejects 59.9% of behavior-changing rewrites against 25.3% for the repository's tests, at a 4.0% false-alarm rate and 3.5 s per decision. The code and data are available at https://github.com/ccsnow127/TeSearch.
- Abstract（参考訳）: 自己進化的エージェントは、自身のハーネスを書き換え、どのリライトを維持するかを決定する必要があるため、改善信号はリライトがパスしなければならないチェックである。
エージェントロールアウトによるリライトの検証は高価で主観的であり、リポジトリ自身のテストのような実行可能なチェックは、振る舞いを変えるリライトをキャッチするには不十分で、その4分の1しか拒否できない。
代わりに、テストフィードバックを実行可能な信号とし、その信号が密度が高く情報的であるように、品質多様性の進化的アルゴリズムで小さくて強いテストスイートを探索する。
TeSearchは、スイートサイズを振る舞い記述子として扱うため、すべてのサイズで品質を追求し、小さくて強力なスイートが到達可能であり、検索中に遷移カーネルを学び、LCMをその記述子上のアクチュエータとして認知する。
129の現実世界のモジュールと3つのバックボーンで、TeSearchは、比較対象のメソッドの最高品質スイート、LLM駆動の進化的検索、そしてLLMベースのものの中では最小のスイートを提供する。
自己進化剤の改良信号として使用され、行動変化のリライトの59.9%を、リポジトリのテストで25.3%、偽アラーム率4.0%、意思決定で3.5秒と拒否する。
コードとデータはhttps://github.com/ccsnow127/TeSearchで入手できる。
関連論文リスト
- Who Is Behind the Harness? Fingerprinting LLMs through Agentic Behavior [8.146941441861614]
我々は,コーディングエージェント実行のためのアクティブブラックボックスフィンガープリント手法であるLIDARを提案する。
3つのプローブペアは、制御された変更の下で、後続検証、過渡障害回復、および仕様-テスト競合解決を公開する。
高いTop-1精度とMRRを実現し、4つの既存の指紋認証とAPI監査ベースラインを上回っている。
論文 参考訳（メタデータ） (2026-09-23T09:12:46Z) - Codebook Agent: Amortized Topology Design for LLM Multi-Agent Systems [67.04448659688579]
クエリ非依存の16エントリのコードブックを開発し、上位のデコード候補を1回のバッチフォワードパスでランク付けする。
反復検索がなく、テスト時にメッセージパッシングがないため、Codebook Agentは6つのベンチマークでもっとも正確な方法である。
論文 参考訳（メタデータ） (2026-09-02T08:10:22Z) - Agentic Auto-Research is Fuzz Testing [15.838025468876486]
我々は、この*generate-and-rank*パラダイムはスパースフィードバックの問題を見逃していると論じる。
提案手法は,予測された進行を予測できるかどうかの制御試験である。
論文 参考訳（メタデータ） (2026-08-10T17:13:02Z) - A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。
A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
論文 参考訳（メタデータ） (2026-08-05T14:01:10Z) - Fantastic Adaptive Taxonomies and How to Use Them [100.20614173157708]
AdaMASTは、実行トレースをコンパクトでエビデンスに基づく障害分類に変換する。
コードには手書きのコードはなく、人間による注釈もない。
エージェント・システム・サーチでは、失敗候補の分類コード診断が自由形式より優れている。
論文 参考訳（メタデータ） (2026-07-17T17:41:16Z) - AI Trading's Alpha Singularity: Emergent Market Reasoning through Agent-to-Agent Self-Evolution [11.790070440436294]
アルファマイニングはスコアリング関数を固定し、その上で探索アルゴリズムを変化させる。
固定スコアラーに対して収束する探索は、アウト・オブ・サンプルの一般化ギャップの主な原因である、スコアラーがペナルティ化できないものをオーバーフィットする。
スコアリング関数をアルファ因子とともに探索成果物として扱い、この共同探索を許容する条件について検討する。
論文 参考訳（メタデータ） (2026-06-28T04:41:00Z) - VeriEvol: Scaling Multimodal Mathematical Reasoning via Verifiable Evol-Instruct [71.22358682581215]
ビジュアルな数学的推論のための強化学習のスケーリングは、難しい質問を生成すること以上のものを必要とします。
これは2つのコンポーネントからなる反復的なフレームワークであるVeriEvolとしてインスタンス化します。
5ベンチマークのビジュアル・マス・スイートでは、10Kから250KサンプルまでのSFTデータのスケーリングが平均精度を35.42から54.73に引き上げている。
論文 参考訳（メタデータ） (2026-06-22T16:17:30Z) - MuMuTestUp: Mutation-based Multi-Agent Test Case Update [8.951495370176216]
変異誘導型マルチエージェントフレームワークである MuMuTestUp を提案する。
MuMuTestUpは、未発見行/ブランチの修復命令を生成し、セマンティック・シミュラリティ検索を通じて幻覚を処理する。
PRBENCHは、オープンソースJavaプロジェクト10の571サンプルのプルリクエストレベルのデータセットです。
論文 参考訳（メタデータ） (2026-05-19T02:25:25Z) - Agentic Program Repair from Test Failures at Scale: A Neuro-symbolic approach with static analysis and test execution feedback [11.070932612938154]
我々は、さまざまなソフトウェア製品にまたがる大規模なテスト失敗に基づいて、ソースコードを修正するエンジニアリングエージェントを開発した。
静的解析とテストの失敗を通じてエージェントにフィードバックを提供し、ソリューションを洗練できるようにします。
3ヶ月の間に、生成された修正の80%がレビューされ、そのうち31.5%が着陸した。
論文 参考訳（メタデータ） (2025-07-24T19:12:32Z)
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。