論文の概要: Recursive Environment Scaling for General Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2610.16397v2
• Date: Mon, 19 Oct 2026 01:14:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.275629
• Title: Recursive Environment Scaling for General Long-Horizon Agents
• Title（参考訳）: 汎用長軸エージェントの再帰的環境スケーリング
• Abstract要約: 環境スケーリングは、コアタスクの目標を固定しながらエージェント-ベンチマークの困難を増大させる。 提案者は、情報アクセス、リソース関係、実行依存性を変更する。 3つのベンチマークによる294の初期タスクの実験では、Claw-Eval-Liveの57.14--77.14ポイントが減少し、6つの評価モデル全体のタスク成功率が低下した。
• 参考スコア（独自算出の注目度）: 18.355616417014097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study environment scaling as a way to increase agent-benchmark difficulty while holding core task objectives fixed. Our framework, Recursive Environment Scaling (RES), transforms existing benchmark environments while preserving their objectives and completion requirements. A proposer changes information access, resource relations, and execution dependencies; execution-grounded checks validate the resulting candidate, and accepted changes are inherited across rounds. This produces related environments for paired evaluation and training-trajectory collection. Experiments on 294 initial tasks from three benchmarks show lower task success for all six evaluation models, with decreases of 57.14--77.14 percentage points on Claw-Eval-Live. With equal trajectory counts and identical optimization settings, fine-tuning on RES trajectories outperforms original-trajectory SFT in all nine model--benchmark comparisons by 7.00--14.61 percentage points. Ablations identify recursive inheritance and dependency composition as important contributors to increased difficulty. Together, these results support environment scaling for both agent evaluation and training.
• Abstract（参考訳）: 我々は,コアタスクの目標を定めながらエージェント・ベンチマークの難易度を高める方法として,環境スケーリングについて検討した。 当社のフレームワークであるRecursive Environment Scaling (RES)は,既存のベンチマーク環境を目標と完了要件を維持しながら変換します。 提案者は情報アクセス、リソース関係、実行依存性を変更し、実行基盤のチェックによって結果の候補が検証され、受け入れられた変更はラウンド毎に継承される。 これにより、ペア評価とトレーニング-軌道収集の関連環境が生成される。 3つのベンチマークによる294の初期タスクの実験では、Claw-Eval-Liveの57.14--77.14ポイントが減少し、6つの評価モデル全体のタスク成功率が低下した。 同一の軌道数と同一の最適化設定により、RESトラジェクトリの微調整は、9つのモデルすべてにおいて原軌道SFTよりも優れ、ベンチマーク比較は7.00-14.61ポイント向上する。 アブレーションは、再帰的継承と依存関係の組成を、困難を増大させる重要な要因として特定する。 これらの結果は,エージェント評価とトレーニングの両方において,環境スケーリングをサポートする。

関連論文リスト

• WorkRover: Scaling Long-Horizon Cowork Agent Training Via Recursive Environment Evolution [101.12175332979554]
  環境進化を通じて長期のコワーキングエージェントを訓練するためのフレームワークであるWorkRoverを紹介する。 Factorial Compatibility Replay (FCR)は、ロールアウトフィードバックを使用してコンポーネントのリビジョンの組み合わせを評価する。 Verifier-to-Turn Credit Assignment (VTCA)は、決定論的ワークスペース-プログレスチェックからの信号でトラジェクトリレベルのGRPOのアドバンテージを増大させる。
  論文  参考訳（メタデータ） (2026-10-13T09:52:02Z)
• Cowork-Gym: Synthesizing Interactive Work Environments at Scale [79.11567848319275]
  ワークエージェントは、ツールやファイル間の依存関係をナビゲートし、ユーザ要求の変更や共有ワークスペースへの編集に適応する。 Cowork-Gymは、ビルド・実行・修正ループを通じてCowork環境を合成するフレームワークです。 現実的なコワークダイナミクスをキャプチャするために、ステートフルユーザシミュレータは対話を通じてエージェントのアクションに応答し、共有ワークスペースに直接編集する。
  論文  参考訳（メタデータ） (2026-10-13T03:56:58Z)
• Benchmarking Self-Supervised 3D Medical Vision Foundation Models and Transferability Estimation [57.65266782182578]
  セルフ教師付き事前トレーニングは、3D医療基盤モデルのプールを拡張したが、異なるデータセット、エンドポイント、微調整プロトコルを使用した評価を公表した。 14のセグメンテーション、分類、回帰タスク、複数の解剖学とモダリティにまたがる23の候補をベンチマークした。 3モデルショートリストは、7つのセグメンテーションタスクで記録された抜粋+訓練ジョブ時間を85.8%削減した。
  論文  参考訳（メタデータ） (2026-10-13T01:52:19Z)
• RSIGym: A Flexible Environment for Recursive Self-Improvement [26.721449542473433]
  RSIGymは、Everys as a Service (E)に基づくエージェントネイティブな研究環境である 再利用可能なサービスを通じてトレーニング、推論、ロールアウト、評価、サンドボックスの実行を公開する。 これにより、エージェントは個々の介入を調査し、同じ環境内のデータ、トレーニング設定、実行ハーネスを共同で最適化することができる。
  論文  参考訳（メタデータ） (2026-10-07T16:05:15Z)
• TraceDance: An Automated System for Building Agent Behavior Benchmarks from Real-World Agent Deployment Traces [49.561879967469714]
  TraceDanceは、ユーザが指定した望ましくない振る舞いのデプロイメントトレースからターゲットベンチマークを構築するエージェントシステムである。 効率的な構築のために、Anchor-and-Confirmはプログラム可能な検索と、Flash大言語モデルによる候補レベルの確認を組み合わせる。 コーディングと一般的なツールの実験では、252,557のセッションで描画され、ビルドターゲット要求の95.3%を満たす4,125のインスタンスで107のベンチマークを生成する。
  論文  参考訳（メタデータ） (2026-09-27T06:58:39Z)
• TRACE: Capability-Targeted Agentic Training [11.088296897059157]
  環境特異的なエージェント自己改善のためのエンドツーエンドシステムであるTRACEを紹介する。 TRACEは、機能不足を特定するために、成功と失敗の軌跡を対比している。 目標とするトレーニング環境を合成し、その能力が行使されたかどうかを報奨する。 各合成環境において、LoRAアダプタをRL経由でトレーニングし、推論時に関連するアダプタにルーティングする。
  論文  参考訳（メタデータ） (2026-04-07T02:22:44Z)
• Beyond Binary Correctness: Scaling Evaluation of Long-Horizon Agents on Subjective Enterprise Tasks [4.09533297040075]
  大規模言語モデルは、数学やプログラミングのような客観的に検証可能なタスクに優れており、評価は単体テストや一つの正しい答えに還元される。 LH-Benchは、二項正当性を超えて、主観的エンタープライズタスクにおける自律的長期実行をスコアする3ピラー評価設計である。
  論文  参考訳（メタデータ） (2026-03-24T03:16:32Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)
• Evolving Pareto-Optimal Actor-Critic Algorithms for Generalizability and Stability [67.8426046908398]
  汎用性と安定性は,実世界における強化学習(RL)エージェントの運用において重要な2つの目的である。 本稿では,アクター・クリティック・ロス関数の自動設計法であるMetaPGを提案する。
  論文  参考訳（メタデータ） (2022-04-08T20:46:16Z)

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。