論文の概要: REVEAL: Reverse Engineering Agentic Latents from Frontier-Model Traces

• arxiv url: http://arxiv.org/abs/2610.16288v1
• Date: Mon, 12 Oct 2026 07:14:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.322552
• Title: REVEAL: Reverse Engineering Agentic Latents from Frontier-Model Traces
• Title（参考訳）: ReVEAL:フロンティアモデルトレースからのリバースエンジニアリングエージェント潜水剤
• Abstract要約: 本研究では,テキストフロンティアモデルトラジェクトリがフリーズエージェントに対して再利用可能な局所制御を実現する方法について検討する。 プロトコルリバースエンジニアリングに触発されて、ターゲットモデルのリプレイによって引き起こされるフィードバックサイクルのアンカー状態と動的プロファイルからなる$textitAgentic Latents$を導入する。
• 参考スコア（独自算出の注目度）: 17.030099355550337
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Frontier LLM agents perform complex interactive tasks, but their inference costs motivate transferring their experience to smaller open-source agents. Distillation and latent communication typically require target-model training or access to source-model internals. We study how textual frontier-model trajectories can provide reusable local controls for a frozen agent. Inspired by protocol reverse engineering, we introduce $\textit{Agentic Latents}$, comprising anchored states and dynamic profiles of feedback--response cycles elicited by replay in the target model. Our training-free framework, $\textbf{REVEAL}$ ($\textbf{REV}$erse $\textbf{E}$ngineering $\textbf{A}$gentic $\textbf{L}$atents), uses these profiles and trajectory outcomes to match and select local events from successful and failed rollouts of the same task and source model. Their response-transition contrasts yield a target-specific steering direction, applied before each response. Within-benchmark evaluations on Terminal-Bench 2.1 and Humanity's Last Exam with tools report higher accuracy than unmodified agents across three targets. Representation analyses and behavioral case studies support reusing frontier-model experience as local activation control.
• Abstract（参考訳）: フロンティアLSMエージェントは複雑な対話的なタスクを実行するが、その推論コストは、より小さなオープンソースエージェントに自身の経験を移す動機となる。 蒸留と潜伏通信は通常、ターゲットモデルトレーニングやソースモデル内部へのアクセスを必要とする。 本研究では,テキストフロンティアモデルトラジェクトリがフリーズエージェントに対して再利用可能な局所制御を実現する方法について検討する。 プロトコルリバースエンジニアリングに触発されて、ターゲットモデルでリプレイによって引き起こされるフィードバックサイクルのアンカー状態と動的プロファイルからなる$\textit{Agentic Latents}$を導入する。 トレーニングなしのフレームワークである$\textbf{REVEAL}$$$\textbf{REV}$erse $\textbf{E}$ngineering $\textbf{A}$gentic $\textbf{L}$atentsは、これらのプロファイルとトラジェクトリ結果を使用して、同じタスクとソースモデルの正常で失敗したロールアウトからローカルイベントを選択します。 応答遷移コントラストは、各応答の前に適用されるターゲット固有のステアリング方向を生成する。 Terminal-Bench 2.1とHumanity's Last Examのベンチマーク内評価では、3つのターゲットにわたる未修正エージェントよりも高い精度が報告されている。 表現分析と行動ケーススタディは、フロンティアモデル体験を局所的なアクティベーションコントロールとして活用することを支援する。

関連論文リスト

• TRACE: Turn-level Reward Assignment via Credit Estimation for Long-Horizon Agents [51.523913302114266]
  TRACE(Turn-level Reward Assignment via Credit Estimation)は、エージェント強化学習のための高密度クレジットアサインメント手法である。 ツールコール境界における状態遷移としてロールアウトを表現し、凍結参照モデルからゴールド・アンサー・ログ確率を取得し、それらをログ比の状態値に変換し、それらの値の時間差変化としてアクション毎の報酬を導出する。 純粋なRLを用いたベースモデルツール使用能力を大幅に向上させ、冷間開始制御された微調整ステージ、エージェント訓練ステージ、ライブWebデータによるトレーニングを不要とした。
  論文  参考訳（メタデータ） (2026-07-15T16:16:42Z)
• ComplexMCP: Evaluation of LLM Agents in Dynamic, Interdependent, and Large-Scale Tool Sandbox [61.862814740220806]
  $textbfComplexMCP$は厳格な条件下でエージェントを評価するために設計されたベンチマークである。 Model Context Protocol (MCP)上に構築された$textbfComplexMCP$は300以上の精巧にテストされたツールを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:20:51Z)
• AIPO: Learning to Reason from Active Interaction [54.10819421625103]
  AIPOは、ポリシーモデルが、推論ボトルネックに遭遇するときに、3つの機能的協調エージェントを積極的に相談することを可能にする。 AIPOは推論性能を継続的に改善し、異なるポリシーモデルとRLVRアルゴリズムをまたいで堅牢に一般化し、ポリシーモデルの推論能力境界を効果的に拡張する。
  論文  参考訳（メタデータ） (2026-05-08T19:06:55Z)
• A4-Agent: An Agentic Framework for Zero-Shot Affordance Reasoning [29.682282730123234]
  言語命令に基づいてオブジェクト上のインタラクション領域を識別するアクダクタンス予測は、AIの具体化に不可欠である。 A4-Agentは,アベイランス予測を3段階のパイプラインに分離する,トレーニングフリーのエージェントフレームワークである。 我々のフレームワークは、複数のベンチマークで最先端の教師付きメソッドよりも大幅に優れています。
  論文  参考訳（メタデータ） (2025-12-16T14:27:47Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• ReAct Meets ActRe: When Language Agents Enjoy Training Data Autonomy [47.42940885853956]
  A$3$TはAutonomousを実現するフレームワークである。 法律の様式における代理人軌道の AlfWorldでは、A$3$Tで訓練されたエージェントが1発成功率96%、100%成功率4回を達成している。
  論文  参考訳（メタデータ） (2024-03-21T17:43:44Z)

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。