論文の概要: Agentic Self-Awareness: Aligning Knowing, Acting, and Holding
- arxiv url: http://arxiv.org/abs/2610.19226v1
- Date: Tue, 13 Oct 2026 21:44:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.819216
- Title: Agentic Self-Awareness: Aligning Knowing, Acting, and Holding
- Title（参考訳）: エージェント・セルフ・アウェアネス(エージェント・セルフアウェアネス:エージェント・アウェアネス:エージェント・アウェアネス:エージェント・アウェアネス:エージェント・アウェアネス)
- Abstract要約: ターミナルベンチ2.1で実現可能でブロックされたタスクをペアで構築し、2ドルベンチで販売しています。
オーサシップを意識したM0−M3ルーブリックは、ブロッカを認識すると、正しい理由のために認証された遅延アクションを取ることを分離する。
Terminal-Benchプロトコルのベースラインでは、ブロッカー認識は84.4%に達するが、厳格な自己認識は40.6%に留まる。
- 参考スコア（独自算出の注目度）: 28.93714340675841
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Frontier AI agents increasingly act in environments where seemingly solvable tasks may lack prerequisites, contain conflicting requirements, or reveal blockers only during execution. We formulate agentic self-awareness (ASA) as the alignment of task-grounded feasibility judgments (know), warranted behavior (act), and responses to reconsideration (hold), distinguishing what a task permits from what an agent can solve. We build paired feasible and blocked tasks in Terminal-Bench 2.1 and retail $τ^2$-bench and introduce an authorship-aware M0-M3 rubric that separates recognizing a blocker from taking the certified deferral action for the correct reason. Separate probes assess stated feasibility beliefs and responses to a single challenge. In a Terminal-Bench protocol baseline, blocker recognition reaches 84.4%, but strict self-awareness (SA) reaches only 40.6%. Harness search without model-weight updates increases strict SA from 45.3% to 93.8% on reused Terminal-Bench search tasks; selection for abstention alone, however, can reduce success on feasible tasks. Independently initialized joint-objective searches improve both blocked-task SA and feasible-task solve on their own search sets. Retail held-out gains remain limited, and Terminal-Bench blocked-task transfer is not measured. This evaluation pipeline makes the recognition-action gap measurable and sets a two-sided target for improving agent decisions under changing task evidence.
- Abstract（参考訳）: 最前線のAIエージェントは、明らかに解決可能なタスクが前提条件を欠いたり、矛盾する要件を含んでいたり、実行中にのみブロッカを明らかにするような環境でますます機能する。
エージェントの自己認識 (ASA) を, エージェントが解決できるものとは何であるかを識別し, タスクグラウンドによる実行可能性判断(ノウハウ), 保証された行動(行為), 再考に対する応答(ホールド)のアライメントとして定式化する。
端末ベンチ2.1でペア化可能でブロック可能なタスクを構築し、$τ^2$-benchを小売し、ブロッカを認識したオーサシップ対応のM0-M3ルーブリックを導入する。
別々の調査は、単一の課題に対する実行可能性の信念と反応を評価する。
Terminal-Benchプロトコルのベースラインでは、ブロッカー認識は84.4%に達するが、厳格な自己認識(SA)は40.6%に留まる。
モデルウェイト更新なしのハーネス検索は、再利用されたターミナルベンチ検索タスクにおいて、厳密なSAを45.3%から93.8%に引き上げる。
独立に初期化された共同目的探索は、ブロックタスクSAと実行可能なタスクの両方を自身の検索セットで解決する。
小売の保留利得は限定的であり、ターミナル・ベンチブロックタスク転送は測定されない。
この評価パイプラインは、認識-動作ギャップを計測可能とし、タスクエビデンスを変化させたエージェント決定を改善するための両側目標を設定する。
関連論文リスト
- AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks [67.28108897589799]
AgentHorizonは、1,373のコンピュータ利用タスクのベンチマークである。
同様の(しかし互換性のない)要求を完了したのと、成功した軌道を区別する能力について、審査員を評価した。
我々の最高のエージェント・ジャッジであるGPT-5.5は、AHサブセット上で80.9%のバランスの取れた精度を達成する。
論文 参考訳（メタデータ） (2026-10-08T01:03:48Z) - SoK: Decentralized Agent Economic Infrastructure [15.639070351882289]
分散型エージェントエコノミーは、個別に設計されたプロトコルから単一のタスクを構築するようになっている。
ワークフローは各ステップを正しく見ることができ、それでも間違った結果を生み出すことができます。
私たちはエージェントタスクのライフサイクル全体にわたってこの問題を体系化します。
論文 参考訳（メタデータ） (2026-10-01T14:19:21Z) - AgentBoundary: Counterfactual Evaluation of Safety in Tool-Using LLM Agents [13.557645845585776]
大規模な言語モデルの安全性の整合性は、要求に答えるか拒否するかに大きく取り組まれている。
エージェント的設定では、同じモデルが実行中にパーミッションクリティカルな証拠として振る舞うかどうかを判断しなければならない。
AgentBoundは、ツール使用エージェントの安全性のための、最初の4方向の対物生成・評価フレームワークである。
論文 参考訳（メタデータ） (2026-09-27T15:19:52Z) - AgentAbstain: Do LLM Agents Know When Not to Act? [19.223843408018997]
既存の評価は、エージェントがいつ禁じるべきかを知るのではなく、タスクの成功に焦点を当てている。
エージェント禁忌のための最初の体系的評価枠組みとして,ツールを用いたLDMエージェントの動作を検知するキャリブレーション能力について述べる。
AgentAbstainは、エージェントネイティブな分類に基づくペアタスクのベンチマークである。
論文 参考訳（メタデータ） (2026-07-11T00:57:36Z) - SkillAudit: Ground-Truth-Free Skill Evolution via Paired Trajectory Auditing [81.51044612408793]
SkillAuditは、地味なフィードバックなしにエージェントスキルを進化させるフレームワークである。
行動の違いを編集指導に変換するために、SkillAuditはProcess-Aligned Contrastive Evaluationを使用する。
Refineはノイズや無関係なガイダンスを広く有用なスキルから取り除き、修復はタスクと競合するパスを置き換える。
論文 参考訳（メタデータ） (2026-06-12T08:20:09Z) - EnactToM: An Evolving Benchmark for Functional Theory of Mind in Embodied Agents [75.01735520608075]
既存のベンチマークは、直観的信念を問うことで、主にリテラル・オブ・マインド(ToM)をテストする。
EnactToMは, 3D 家庭で設定された300個のマルチエージェントタスクの進化ベンチマークである。
ハードスプリットでは、7つの評価されたフロンティアモデルすべてが機能的なタスク完了時に0.0%のPass3を獲得し、リテラルな信念プローブでは平均45.0%であった。
論文 参考訳（メタデータ） (2026-05-11T00:04:19Z) - Don't Start What You Can't Finish: A Counterfactual Audit of Support-State Triage in LLM Agents [0.0]
本稿では, 4つのサポート状態にまたがって, 最小限のデファクト編集が同じベース要求を反転させる, 一致した診断フレームワークであるSupport-State Triage Audit(SSTA-32)を紹介する。
我々は,Dual-Persona Auto-Auditing (DPAA) を用いた4つの条件下でのフロンティアモデルの評価を行った。
論文 参考訳（メタデータ） (2026-04-17T23:54:34Z) - SmartSnap: Proactive Evidence Seeking for Self-Verifying Agents [45.71333459905404]
SmartSnapは、受動的でポストホックな検証から、エージェント自身による積極的な自己検証へのパラダイムシフトである。
両ミッションで設計された新しいタイプのエージェントである「自己検証エージェント」を導入し、タスクを完了し、検証された証拠でその達成を証明した。
モデルファミリとスケールにわたるモバイルタスクの実験は、SmartSnapパラダイムによって、スケーラブルなLLM駆動エージェントのトレーニングが可能になることを実証しています。
論文 参考訳（メタデータ） (2025-12-26T14:51:39Z) - Localizing Task Information for Improved Model Merging and Compression [61.16012721460561]
我々は,各タスクの重み付けが重なり合わないことが多いため,各タスクがマージされた後も,各タスクの解決に必要な情報が保存されていることを示す。
本稿では,そのような重みを排除し,既存のモデルマージ手法の一般的な性能を改善するアルゴリズムであるConsensus Mergingを提案する。
論文 参考訳（メタデータ） (2024-05-13T14:54:37Z)
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。