論文の概要: Imitation Holds a Key to Evolution: Localized Repair and Verified Skill Acquisition for Adaptive Agents
- arxiv url: http://arxiv.org/abs/2610.16125v1
- Date: Mon, 12 Oct 2026 03:42:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.298988
- Title: Imitation Holds a Key to Evolution: Localized Repair and Verified Skill Acquisition for Adaptive Agents
- Title（参考訳）: イミテーションは進化の鍵を握る: 適応的エージェントのための局所的な修復と検証されたスキル獲得
- Abstract要約: エージェントは、経験のどの部分が新しい相違を修復すべきかを知ることなく、良好な軌道を維持することができる。
我々は、受動的模倣(PI)を、違反した契約をローカライズするアーキテクチャループとして定式化する。
PIは600のコールドホールドアウト構成タスクを3つの小さなトライアルで解決し、全軌道制御では6.17%である。
- 参考スコア（独自算出の注目度）: 20.615976889370327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An agent can retain successful trajectories without learning which part of an experience should repair a new discrepancy. We formulate passive imitation (PI) as an architectural loop that localizes a violated contract, extracts a local goal, proposes an effect-matched skill, tests a small patch, and retains evidence after full-task verification. We instantiate this loop as a deterministic symbolic controller and analyze its finite repair-query complexity under explicit identifiability and noninterference assumptions. Across ten simulated tool worlds, PI solves all 600 cold held-out composition tasks with three allowed small trials, compared with 6.17% for a whole-trajectory control, while an equally expressive compositional repair control matches PI. On an unseen tool revision, PI achieves 70.0% success versus 24.0% without small trials and 79.0% with self-trial enumeration; an exploratory 24-task adaptation stream subsequently raises first-submission success to 100%, supporting a limited correction-and-retention mechanism rather than a unique incentive advantage or general intelligence. The CPU-only implementation, integrity checks, and reproducible results are available at https://github.com/FriendOfYishan/PI.
- Abstract（参考訳）: エージェントは、経験のどの部分が新しい相違を修復すべきかを知ることなく、良好な軌道を維持することができる。
我々は,違反した契約をローカライズするアーキテクチャループとして受動的模倣(PI)を定式化し,局所的な目標を抽出し,エフェクトマッチングのスキルを提案し,小さなパッチをテストし,フルタスク検証後に証拠を保持する。
このループを決定論的シンボリックコントローラとしてインスタンス化し、明示的な識別可能性および非干渉仮定の下で、その有限な修復クエリ複雑性を分析する。
10種類の模擬ツールの世界において、PIは600のコールドホールドアウトコンポジションタスクを3つの小さなトライアルで解決し、全軌道制御の6.17%と同等に表現力のあるコンポジション修復コントロールがPIと一致している。
未確認のツールリビジョンでは、PIは小さな試行なしに70.0%成功し、自験で79.0%成功し、その後、探索的な24タスク適応ストリームは、独特なインセンティブ優位性や一般知性ではなく、限定的な修正と保持のメカニズムをサポートする。
CPUのみの実装、完全性チェック、再現可能な結果はhttps://github.com/FriendOfYishan/PIで公開されている。
関連論文リスト
- Continuous Process-Level Evaluation for Evolving Enterprise AI Agent Skills [0.39508022083907385]
結果レベルとプロセスレベルのチェックを組み合わせた継続的評価フレームワークを提案する。
我々は,2つのスキル,2つの仕様変種,2つのエージェントハーネス,3つのモデルに対する240の試行を評価した。
論文 参考訳（メタデータ） (2026-10-01T15:06:23Z) - Automatic Harness Evolution for Hardware Design Verification: Can LLMs Consolidate Gains Across Discovered Harnesses? [0.5371337604556311]
固定対象モデルの周辺における自動ハーネスの進化を,12の独自設計検証根本位置化タスクを用いて検討した。
タスク毎の5回の試行で、自動的に進化したハーネスは、完了した試行を71-76%増加させ、非ヒットなタスクカバレッジを80-100%増加させた。
CVDPのクロスベンチマークケーススタディでは、自動的に進化した定義幅の修理ハーネスが142タスクの基準ベースラインよりも35.6%機能的なパスを生成した。
論文 参考訳（メタデータ） (2026-09-24T01:41:01Z) - Agentic Autoresearch for Cell-Edge Power Control: Radically Redefining the Researcher's Role [5.210473713362396]
我々は、AIエージェントが全体において自律エージェントに降伏できることを実証する。
我々は、AIエージェントがスクリプト、固定予算実験を編集し、不変メトリックに従ってコード変更を保持または破棄する自動検索プロトコルを採用する。
8時間26時間で、エージェントは1つの固定コストの推論で収束した最小化-最大化基準の99.5%、およそ600times$低い推論コストに達し、最初の作業アーキテクチャとのギャップの94%を閉じた。
論文 参考訳（メタデータ） (2026-08-26T17:56:00Z) - DPIAgent: Divide, Protocol, Isolate for Agentic Reproduction Test Generation [31.816679197888366]
DPIAgentは3つの原則に基づいて構築された構造化エージェントフレームワークである。
タスクを、欠陥探索とテスト生成の単一目的のフェーズに分割する。
診断とテスト計画を記録するハンドオフプロトコルを施行し、コンテキスト損失を防ぐ。
論文 参考訳（メタデータ） (2026-08-24T14:51:15Z) - Verifier-First Evaluation of Agentic LLMs for Infrastructure-as-Code Generation [0.0]
自然言語からインフラストラクチャ・アズ・コード(IaC)を生成するには、プロバイダのスキーマ、依存関係の計画、組織的なポリシの制約を満たす必要がある。
Rego v1ポリシを備えた186タスクのAWS/TerraformベンチマークであるIaC-Eval v2で評価されたTerraform生成のための7つのエージェント戦略に関する検証初の実験的研究を示す。
論文 参考訳（メタデータ） (2026-05-29T12:43:27Z) - Agentic Harness Engineering: Observability-Driven Automatic Evolution of Coding-Agent Harnesses [57.20181537213498]
Agentic Harness Engineering (AHE)は、ハーネスエンジニアリングを自動化するクローズドループである。
AHEは3つの一致した可観測性柱を通じて課題に対処する。
10 AHE lift pass@1 on Terminal-Bench 2 from 69.7% to 77.0%。
SWE-bench-verifiedでは、種子よりも12%少ないトークンで合計成功率を上回り、ターミナルベンチ2では+5.1から+10.1ppのクロスファミリーゲインを得る。
論文 参考訳（メタデータ） (2026-04-28T16:55:02Z) - Correct Answers from Sound Reasoning: Verifiable Process Supervision for Language Models [94.68358825189738]
本稿では,予測精度と推論品質を協調的に最適化する検証済み領域の学習後フレームワークを提案する。
我々は,エンジン信号に対して推論ステップを確定的に検証できる制御テストベッドであるチェスのVPSを評価する。
VPSは、推論品質を著しく向上させながら精度を保ち、勝利率エラーを最大30%削減し、一貫性をほぼ飽和状態に回復する。
論文 参考訳（メタデータ） (2026-04-03T15:19:46Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳（メタデータ） (2025-12-09T06:52:21Z) - DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。
ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。
DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
論文 参考訳（メタデータ） (2025-12-07T09:23:48Z)
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。