論文の概要: JevGPT: Thinking Fast and Slow in Autonomous Research

• arxiv url: http://arxiv.org/abs/2610.18272v1
• Date: Tue, 13 Oct 2026 12:29:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.611479
• Title: JevGPT: Thinking Fast and Slow in Autonomous Research
• Title（参考訳）: JevGPT: 自律的な研究において、迅速かつゆっくりと考える
• Abstract要約: 本稿では,自律型研究のための二重システムアーキテクチャであるJevGPTを紹介する。 システム2はエビデンス目標を設定し、結果を統合し、システム1はサポートを特定し、関連性を評価し、さらなる検査を案内する。 実験の結果,JevGPTは効率のよい研究エージェントよりも高速で,低コストで作業性能を向上できることがわかった。
• 参考スコア（独自算出の注目度）: 35.33890809786605
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous research agents must acquire and reason over evidence within a limited budget. Yet relevant sources can remain uninspected or unused, leaving a gap between retrieval coverage and the evidence that informs research. The challenge is to align fast local judgments with changing evidence needs and feed their findings back into research decisions. We introduce JevGPT, a dual-system architecture for autonomous research that couples fast evidence processing with deliberative research planning. System Two sets evidence objectives and integrates findings, while System One locates support, assesses relevance, and guides further inspection. Independent source judgments run in parallel; selected original passages inform the next research step. Experiments on fixed-corpus question answering and document ranking show that JevGPT achieves leading task performance, with faster completion and lower cost than comparably effective research agents. Evidence analysis shows broader source inspection and greater coverage of supporting documents in the research loop, highlighting efficient evidence processing as a route to more capable autonomous research.
• Abstract（参考訳）: 自治研究機関は、限られた予算内で証拠を取得し、推論しなければならない。 しかし、関連する情報源は未調査または未使用のままであり、検索カバレッジと研究を知らせる証拠の間にはギャップがある。 課題は、高速な地方判断と証拠のニーズの変化を一致させ、その結果を研究の判断に戻すことだ。 JevGPTは,高速なエビデンス処理と熟考的な研究計画を組み合わせた,自律的な研究のための二重システムアーキテクチャである。 システム2はエビデンス目標を設定し、結果を統合し、システム1はサポートを特定し、関連性を評価し、さらなる検査を案内する。 独立したソース判断は並列に実行され、選択された元のパスは次の研究ステップを知らせる。 定型コーパス質問応答と文書ランキング実験により、JevGPTは、比較可能な有効な研究エージェントよりも早く、かつ低コストで、主要なタスク性能を達成することが示された。 エビデンス分析は、より広範なソースインスペクションと研究ループにおけるサポートドキュメントのカバレッジを示し、より有能な自律的な研究への道筋として効率的なエビデンス処理を強調している。

関連論文リスト

• PEAR: Progressive Evidence-Based AutoResearch for Industrial Search Systems [13.837338951273532]
  AutoResearchは、反復的な実験を通じてシステムを改善する:エージェントは候補修正を提案し、それらを評価し、その結果を使用してその後の探索をガイドする。 一般的なAutoResearchアプローチは、後続の実験の最高評価候補を保ちながら、betterルールに従っている。 既存の方法は個々の信号やタスク固有の手順に依存しており、探索を導くために複数のレベルにまたがるエビデンスを使用するための統一された基盤が欠如している。 本稿では,2つの相補的なコンポーネントを持つPEAR(Progressive Evidence-Based AutoResearch)を紹介する。
  論文  参考訳（メタデータ） (2026-09-28T12:30:00Z)
• Inspire: Benchmarking Scientific Literature Search for Open Research Problems [32.85332215557839]
  INSPIREは、先行文献を検索し、解法で修正された研究問題を進行させるエージェントを評価するためのベンチマークである。 現在のエージェントは、より広範な事前作業のポートフォリオを組み立てるよりも、孤立した前駆体をより容易に回収できることを示します。 また,テスト時間情報を変更することなく,保持検索の改善を図っている。
  論文  参考訳（メタデータ） (2026-09-27T05:21:51Z)
• Mr.LHDR: A Benchmark for Multimodal Real-World Long-Horizon Deep Research Agents [72.19038675107662]
  ミスターL(Mr. L)は、検証可能な証拠の長い、既約の連鎖について、現実世界の深い研究を評価するためのベンチマークである。 各質問は隠されたノード関係グラフから構築され、平均12.1の中間結論を必要とする。
  論文  参考訳（メタデータ） (2026-09-10T09:47:44Z)
• AutoResearch: Insight In, Hallucination Out [18.44583561825209]
  本稿では,アイデア生成と理想実行を結合する2段階システムであるAutoResearchを紹介する。 Idea Generationでは、AutoResearchは、新しい研究信号と蓄積されたドメイン知識を継続的に統合する。 Idea Executionでは、調整されたエージェントがこれらの計画を実験に分解し、反復的にそれらを実装し、診断し、独立したエビデンスベースのレビューを採用する。
  論文  参考訳（メタデータ） (2026-08-18T15:38:26Z)
• EviGraph: Evidence-Guided Autonomous Research Agents [12.29802995923839]
  我々は,研究プロセスを表す自律的な研究フレームワークであるEviGraphを,型付きエビデンスグラフとして紹介する。 EviGraphは、依存関係の欠如、セマンティックなミスアライメント、結果定義の不整合のエビデンスチェーンを検査する。 最初期の弱いノードをローカライズし、影響を受けた下流のサブグラフを再生する。
  論文  参考訳（メタデータ） (2026-08-05T12:02:55Z)
• Diagnosing Search Behavior and Failure Modes in Long-Horizon Search Agents [63.2133766267587]
  ディープサーチエージェントは、証拠収集のために検索クエリを反復的に発行することで、難解な情報検索質問に答える。 本研究では,長軸探索エージェントの軌跡レベル診断を用いてこれらの質問について検討する。 我々は,各探索ステップで得られた証拠を評価し,エージェントの行動の2つの段階を分離する。
  論文  参考訳（メタデータ） (2026-08-03T08:46:48Z)
• AutoResearchBench: Benchmarking AI Agents on Complex Scientific Literature Discovery [55.70879973230979]
  AutoResearchBenchは、自律的な科学文献発見のためのベンチマークである。 エージェントWebブラウジングに関する以前のベンチマークと比較すると、AutoResearchBenchは研究指向である。 最も強力なLCMでさえ、BrowseCompのような一般的なエージェントによるWebブラウジングベンチマークをほとんど征服したにもかかわらず、Deep Researchでは9.39%、Wide Researchでは9.31%の精度しか達成していない。
  論文  参考訳（メタデータ） (2026-04-28T06:05:17Z)
• PaperScope: A Multi-Modal Multi-Document Benchmark for Agentic Deep Research Across Massive Scientific Papers [52.97586643334384]
  本稿ではエージェントディープリサーチのベンチマークであるPaperScopeを紹介する。 3年にわたる2000以上のAI論文の知識グラフ上に構築されている。 意味的に関連するキー情報ノードを統合し、最適化されたランダムウォーク記事セレクタを使用する。
  論文  参考訳（メタデータ） (2026-04-13T11:07:08Z)

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。