論文の概要: Interlock: From Local Correctness to Task Completion in Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2610.19686v1
• Date: Wed, 14 Oct 2026 07:09:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.997869
• Title: Interlock: From Local Correctness to Task Completion in Long-Horizon Agents
• Title（参考訳）: インターロック:長軸エージェントの局所的正確性からタスク完了まで
• Abstract要約: 我々は,各タスクを型付き補完グラフとして表現するタスク合成のためのフレームワークであるInterlockを提案する。 接地エッジは公共の証拠を決定に結び付け、結合ハイパーエッジはコンポーネント間の共同制約を課し、実現エッジは決定を必要下流効果に結び付ける。 ソースカバレッジレビューは、元の要件が生成されるかどうかをチェックし、パブリックインプットレビューは、ルーリックが解決者に利用可能な材料によってサポートされているかどうかをチェックする。 エージェント・アズ・ジャッジは実行成果物を検査し、検証スクリプトを実行する。
• 参考スコア（独自算出の注目度）: 26.058892330854793
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model agents increasingly undertake long-horizon tasks in complex environments characterized by fragmented evidence, partially completed states, and dependencies across resources and artifacts. Existing agents may satisfy individual requirements while failing to maintain these relationships, producing locally correct but incomplete outcomes. These failures arise because task completion depends on relationships among environmental evidence, consequential decisions, and required effects. To address this completion gap, we propose Interlock, a framework for task synthesis that represents each task as a typed completion graph. Grounding edges connect public evidence to decisions, coupling hyperedges impose joint constraints across components, and realization edges connect decisions to all required downstream effects. Interlock compiles this graph into a resettable workspace, a public request, and an evaluation rubric. A source-coverage review checks whether the original requirements survive generation, while a public-input review checks whether the rubric is supported by the materials available to the solver. An agent-as-judge inspects execution artifacts and runs verification scripts, retaining trajectories judged to satisfy all mandatory requirements. To evaluate training utility, we fine-tune two Qwen3.6 backbones on their own accepted trajectories. Across the two backbones, training improves AutomationBench task pass rates by 4.00-4.50 percentage points, JobBench weighted scores by 3.20-6.64 points, and Harvey LAB criterion pass rates by 3.89-4.16 percentage points. These results demonstrate the training utility of the synthesized experience across external task environments.
• Abstract（参考訳）: 大規模な言語モデルエージェントは、断片化されたエビデンス、部分的に完成した状態、リソースやアーティファクト間の依存関係を特徴とする複雑な環境で、ますます長い水平タスクをこなすようになる。 既存のエージェントは、これらの関係を維持するのに失敗しながら個々の要求を満たすことができ、局所的に正しいが不完全な結果をもたらす。 これらの失敗は、タスク完了が環境証拠、連続的な決定、必要な効果の間の関係に依存するため起こる。 そこで本研究では,各タスクを型付き補完グラフとして表現するタスク合成フレームワークであるInterlockを提案する。 接地エッジは公共の証拠を決定に結び付け、結合ハイパーエッジはコンポーネント間の共同制約を課し、実現エッジは決定を要求される下流効果に結び付ける。 Interlockはこのグラフをリセット可能なワークスペース、パブリックリクエスト、評価ルーリックにコンパイルする。 ソースカバレッジレビューは、元の要件が生成されるかどうかをチェックし、パブリックインプットレビューは、ルーリックが解決者に利用可能な材料によってサポートされているかどうかをチェックする。 エージェント・アズ・ジャッジは実行成果物を検査し、検証スクリプトを実行する。 Qwen3.6のバックボーンを2個、それぞれが受け入れた軌道上で微調整する。 2つのバックボーン全体で、トレーニングはオートメーションベンチのタスクパス率を4.00-4.50ポイント、ジョブベンチの重み付けスコアを3.20-6.64ポイント、ハーベイのLABの基準パスレートを3.89-4.16ポイント改善している。 これらの結果は、外部タスク環境全体にわたって合成された体験のトレーニングユーティリティを実証する。

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)
• BRIDGE: Selective Boundary Repair with Dependency Graph Evidence in Multi-Agent Systems [59.26551527044981]
  methodは、ハンドオフ修復を明示的な依存性の摂動に対する選択的介入として扱うランタイム制御フレームワークである。 SILO-BENCHでは12.3パーセンテージ、TeamBenchでは11.1ポイントまでタスクの成功を加速させる。
  論文  参考訳（メタデータ） (2026-10-13T06:31:57Z)
• Beyond Perfect Teammates: Multi-Agent Collaboration with Unreliable Colleagues [41.90964421829607]
  我々は,信頼できない証拠収集プロセスの回復能力からタスク解決能力の分離を図るために,UncoBench(Unreliable Colleagues Benchmark)を導入する。 10モデルにわたる結果は、同様の信頼性の高い設定性能が、信頼性の低い証拠と異なるロバスト性をもたらすことを示している。
  論文  参考訳（メタデータ） (2026-10-12T03:31:54Z)
• SkillHorizon: Constructing Long-Horizon Agent Tasks through Skill Composition [52.51270668013944]
  ロングホライゾンエージェントは、後のアクティビティが以前の出力と共有状態の変更に依存するように完了しなければならない。 SkillHorizonは、7つのビジネス環境でのスキル構成を通じて長期タスクを構築するベンチマークである。 我々は,64Kから1Mトークンの参照インタラクションワークロードを用いた1,050タスクの5つの言語モデルを評価する。
  論文  参考訳（メタデータ） (2026-10-10T14:36:39Z)
• The Hard Part Comes After Search: Benchmarking Web Agents on Synthesizing, Organizing, and Displaying Knowledge [37.21080040024616]
  KNOWSは、これらの機能を共同で評価する、オープンで複雑なブラウザベースのタスクのベンチマークである。 タスクを書くためには,タスクが要求を満たすことを保証するためのタスク設計とプロトコルを開発する。 我々は、フロンティアコンピュータ利用エージェントとブラウザベースのハーネスを評価し、分析する。
  論文  参考訳（メタデータ） (2026-09-24T22:36:10Z)
• DuMateBench: Evaluating Autonomous Agents in Complex Real-World Workflows [69.12339622053588]
  我々はDuMateBenchを紹介した。DuMateBenchは匿名化およびプライバシスクリーニングによるユーザセッションから再構築されたリアルセッションベンチマークである。 結果として得られたベンチマークは、8つの広いシナリオにまたがる200のタスクと、17のきめ細かい機能カテゴリで構成されている。 これらのタスクは、Isufficient、Unstable、Noisyの3種類の環境複雑性を注入した、分離されたDockerコンテナで実行します。
  論文  参考訳（メタデータ） (2026-08-27T02:36:23Z)
• Terminal Agents: A Survey of AI Agents in Command-Line Environments [102.48222742145474]
  大規模言語モデルエージェントは、ターミナルを通してますます行動するが、既存の調査は、ソフトウェア工学、ツールの使用、コンピュータ利用の研究にまたがって端末による振る舞いを分散させている。 我々は,端末エージェントを,端末コマンドの実行,テキストフィードバック,ステートフルな環境相互作用を介し,進行を伴う動作を主とするシステムとみなす。 我々の合成は、実現された行動はモデル、インターフェース、ハーネス、ランタイム、環境によって共同で形成されていることを示している。
  論文  参考訳（メタデータ） (2026-08-20T18:16:44Z)
• WorkSurface-Bench: Benchmarking Enterprise Agents on Multi-Surface Knowledge Routing [10.956110208321556]
  我々は、この機能を表面ルーティングとして評価するためのベンチマークであるWorkSurface-Benchを紹介した。 これは、ペルソナスコープワークスペース-ベンチライトワークスペースから派生した1,151のアトミックタスクを含んでいる。 我々は、6つの制御されたエージェント設定で4つのモデルバックボーンを評価し、27,624個のプロトコルエラーフリーなトラジェクトリを得た。
  論文  参考訳（メタデータ） (2026-07-28T14:19:59Z)
• Tencent WorkBuddy Bench: A Multi-Domain Coding-Agent Benchmark with Contamination-Resistant Task Construction [57.138342889101345]
  Tencent WorkBuddy Benchは、コーディングエージェントのためのマルチドメイン評価スイートである。 本報告では, 設計手法, スコアリングプロトコル, クロスモデルリーダーボードについて述べる。
  論文  参考訳（メタデータ） (2026-07-23T04:34:06Z)

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。