論文の概要: Verifier-Harness Co-Evolution for Training-Free Self-Improvement on Open-Ended Tasks

• arxiv url: http://arxiv.org/abs/2610.17609v1
• Date: Tue, 13 Oct 2026 02:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.491652
• Title: Verifier-Harness Co-Evolution for Training-Free Self-Improvement on Open-Ended Tasks
• Title（参考訳）: オープンエンディングタスクにおける学習自由自己改善のための検証-ハーネス共進化
• Abstract要約: Unified Co-Evolution (UCoE) は、エージェントのハーネス状態とともに実行可能な検証プログラムを進化させる訓練不要の手法である。 UCoEは候補検証プログラムを合成し、応答コントラストでテストする。 最弱のコントラスト家族に対する差別が最高である候補者を選別し、これは私たちが運転能力と呼ぶ量である。
• 参考スコア（独自算出の注目度）: 26.247543441302785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training-free self-improvement lets an agent use feedback to revise the response it is about to return and to update the harness state that shapes how it handles later tasks. On open-ended tasks that feedback rarely comes from reference answers or executable tests, so the agent has to rely on a model-based verifier. When the verifier is wrong, the current response can get worse, and misleading experience can persist across the task stream. A verifier that never changes also grows stale as the agent's responses improve and task demands shift. We introduce Unified Co-Evolution (UCoE), a training-free method that evolves an executable verifier program together with the agent's harness state while all model parameters stay fixed. UCoE synthesizes candidate verifier programs and tests them on response contrasts, pairs of responses that differ in one declared property and have a known preferred side. It selects the candidate whose discrimination on its weakest contrast family is highest, a quantity we call driving capacity. The selected verifier diagnoses one weakness in each draft, guides a single repair, decides which response is served, and determines whether the accepted repair may enter the harness state. As tasks complete, their diagnostics seed new candidate verifiers, which must beat the current verifier on the same contrasts before adoption. Across six open-ended benchmarks, UCoE averages 59.00% preference against matched direct generation with Qwen3-8B and 57.19% with Qwen3.8-27B, margins of 9.00 and 7.19 percentage points. On three verifiable benchmarks, the same method raises the mean from 36.06% for direct generation to 38.48%. Code is available at https://github.com/tianyi0216/Unified-Co-Evolution.
• Abstract（参考訳）: トレーニング不要の自己改善により、エージェントはフィードバックを使用して、帰還しようとしている応答を修正し、後続のタスクの処理方法を形作るハーネス状態を更新します。 参照された回答や実行可能なテストからフィードバックが得られないオープンエンドタスクでは、エージェントはモデルベースの検証に頼らなければならない。 検証が間違っていれば、現在のレスポンスが悪化し、ミスリードエクスペリエンスがタスクストリーム全体にわたって持続する可能性がある。 エージェントの応答が改善し、タスク要求がシフトするにつれて、決して変化しない検証器も不安定になる。 モデルパラメータがすべて固定されている間、エージェントのハーネス状態とともに実行可能な検証プログラムを進化させる訓練不要な方法であるUnified Co-Evolution(UCoE)を導入する。 UCoEは、候補検証プログラムを合成し、それらを応答コントラスト、ある宣言された特性が異なる応答のペアでテストする。 最弱のコントラスト家族に対する差別が最高である候補者を選別し、これは私たちが運転能力と呼ぶ量である。 選択された検証者は、ドラフトの1つの弱点を診断し、単一の修理を案内し、どの対応が提供されているかを決定し、承認された修復がハーネス状態に入るかどうかを決定する。 タスクが完了すると、診断は新しい候補検証器をシードし、採用前に同じコントラストで現在の検証器を破らなければならない。 6つの公開ベンチマークで、UCoEの平均はQwen3-8Bと一致した直接生成に対して59.00%、Qwen3.8-27Bでは57.19%、マージンは9.00と7.19である。 3つの検証可能なベンチマークでは、同じ平均値が36.06%から38.48%に上昇する。 コードはhttps://github.com/tianyi0216/Unified-Co-Evolutionで入手できる。

関連論文リスト

• Maat: Independent Deterministic Contract-Based Governance for Multi-Agent LLM Workflows [0.0]
  私たちは、バージョン管理されたワークフロー契約アンカーに対してエージェントからエージェントへのハンドオフを検証するランタイムガバナンス層であるMaatを紹介します。 データレベルの欠陥を注入した6つの制御ドメイン(6～15エージェント、522トライアル)と決定論的7チェックルーブリックで評価した。
  論文  参考訳（メタデータ） (2026-09-27T23:23:52Z)
• Vestrum: Improving Agent Harnesses by Adapting Their Verification, Structure and Memory [3.9869112484157037]
  エージェントは、言語モデルがどのように情報にアクセスし、ツールを使用し、メモリを保存し、その作業をチェックするかを制御する。 Vestrumは、実行中の障害トレースをタスクモデルをトレーニングせずにスコープ付きハーネス変更に変換するフレームワークです。
  論文  参考訳（メタデータ） (2026-09-27T18:20:51Z)
• RRSI: Regularized Recursive Self-Improvement of Agent Harnesses [76.77275934611428]
  正規化再帰的自己改善型エージェント・ハーネス(RRSI) 本稿では、正規化の原則を取り入れたRRSIを紹介し、進化候補の提案と選択を制約することで自己改善を活用する。 RRSIは5つのアウト・オブ・ディストリビューション・ベンチマークで14.1ポイント、最大4.7ポイントを獲得し、非正規化進化よりも30%少ないポリシートークンで動作するハーネスを生産している。
  論文  参考訳（メタデータ） (2026-09-21T17:54:49Z)
• ExecCritic: Learn to Test, Test to Improve for Coding Agents [68.42713285082912]
  実行時のフィードバックは、コーディングエージェントを正しいリポジトリの修復に導くことができますが、テストが問題によって要求された振る舞いをキャプチャした場合のみです。 ExecCriticを導入し、テスト-検証-修正足場と、その中のトレーニングエージェントのためのロール固有の強化学習レシピを組み合わせる。 テストエージェントが独立してリポジトリネイティブなテストを生成し、フェイルクローズされたハーネスがそれらを調整して凍結し、リカバリエージェントがテストを変更することなく、ソースコードを実行フィードバックから修正する。
  論文  参考訳（メタデータ） (2026-09-08T17:53:37Z)
• HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution [11.431479238875712]
  我々は、信頼できるエージェントの自己進化を実現するために、参照軌道から学習する自己進化フレームワークであるHarnessEvolveを紹介する。 私たちは、さまざまなモデルとエージェントフレームワークを使用して、オープンドメインとエンタープライズシナリオにまたがるいくつかのベンチマークで広範な実験を行います。 結果は、HarnessEvolveがすべてのベンチマークと設定で、最先端のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-09-01T07:31:18Z)
• DarwinX: Evolving Agent Harnesses Through Natural Selection [48.64258219266629]
  ダーウィンXは自己進化を、モデルが凍結されたハーネスの集団の選択として扱う。 一般的なエージェント能力はベンチマーク固有のパッチではなく、タスク、検証、ベースモデルの変更を生き残る。
  論文  参考訳（メタデータ） (2026-07-31T05:34:02Z)
• TTHE: Test-Time Harness Evolution [50.26245555541721]
  既存のアプローチでは、デプロイ前、トレーニング前、あるいはテスト時に凍結される固定されたエージェントワークフローの開発データを最適化する。 我々は、エージェントがテスト入力で生成するラベルのない実行トレースのみを使用して、評価自体にハーネスを最適化できるかどうかを問う。 評価中、TTHEは候補ハーネスの人口を維持し、それらの実行トレースの理由をエージェントプロジェクタを通じてそれらを洗練する。 その後、審査員は実行元プロキシ信号から改善されたハーネスをコミットし、選択したプログラムは継続してその後の入力を統治する。
  論文  参考訳（メタデータ） (2026-07-09T05:53:39Z)
• PACE: Anytime-Valid Acceptance Tests for Self-Evolving Agents [0.0]
  自己進化型エージェントは、自身のプロンプト、スキル、オーモーフィケーションの変更を繰り返し提案することで改善する。 Qwen2.5 のエージェント (0.5B-3B) が GSM8K, SVAMP, ARC-Challenge のプロンプトレベルで自己進化する際、greedy は 30-42% の偽陽性と 10-33% の有害な編集をコミットする。 PACEは実際のものをコミットし、グリーディのホールトアウトの精度を著しく低いばらつきと約18%低い評価コストで一致させる。
  論文  参考訳（メタデータ） (2026-06-06T11:12:11Z)
• CoVerRL: Breaking the Consensus Trap in Label-Free Reasoning via Generator-Verifier Co-Evolution [52.691495954442985]
  CoVerRLは1つのモデルがジェネレータと検証ロールを交換するフレームワークで、各機能が他方をブートストラップする。 Qwen と Llama のモデルファミリーでの実験では、CoVerRL は数理推論のベンチマークで4.7-5.9% でラベルなしのベースラインを上回っている。 自己検証の精度は55%から85%以上改善され、両方の能力が真に共存することを確認した。
  論文  参考訳（メタデータ） (2026-03-18T14:38:55Z)
• Shrinking the Generation-Verification Gap with Weak Verifiers [42.538675831498715]
  検証者は、生成された候補から応答をスコア付けしてランク付けすることで、言語モデル機能を改善することができる。 Weaverは、複数の弱い不完全な検証器を組み合わせることで、強力な検証器を設計するためのフレームワークである。
  論文  参考訳（メタデータ） (2025-06-22T23:38:15Z)

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。