論文の概要: ARIA: Runtime Inspection and Amendment for Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2610.20780v1
• Date: Wed, 14 Oct 2026 18:27:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.014472
• Title: ARIA: Runtime Inspection and Amendment for Multi-Agent Systems
• Title（参考訳）: ARIA: マルチエージェントシステムのランタイムインスペクションと修正
• Abstract要約: ARIAは、進行中のマルチエージェント実行をいつ、どのように修復するかを学ぶためのフレームワークである。 4つのマルチエージェントフレームワーク、6つのベンチマーク、8つのホストモデルにわたる24,000以上の成功と失敗のトラジェクトリを収集します。 検証済みの修復をトレーニングの例として用いて、介入が必要なときの認識と、進行中の動作の修正方法をコンパクトモデルに教える。
• 参考スコア（独自算出の注目度）: 18.367556343033343
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In LLM-based multi-agent systems (MAS), a local mistake can propagate as other agents build on it, turning a correctable error into a failed task. Diagnosing completed runs or repeatedly re-executing them to search for corrections does not provide a learned policy for intervening while execution is still in progress. We present Agent Runtime Inspection and Amendment (ARIA), a framework for learning when and how to repair ongoing multi-agent executions. Our key intuition is to turn execution-verified repairs into reusable supervision, moving repair search into data construction and training so that a learned model can intervene at runtime without repeatedly testing alternatives. First, we collect over 24{,}000 successful and failed trajectories across four multi-agent frameworks, six benchmarks, and eight host models. From these trajectories, we construct the ARIA dataset, to our knowledge the first large-scale dataset pairing failed multi-agent trajectories with execution-verified repairs. It contains 3{,}953 verified repair pairs, each specifying what went wrong, where to intervene, and how execution should continue. Then, we develop the ARIA framework for MAS-agnostic runtime inspection and amendment, designed to integrate with any MAS that exposes execution trajectories and supports continuation replacement. Using verified repairs as training examples, we teach a compact model to recognize when intervention is needed and how to correct an ongoing run. The aim is to learn repair strategies that apply to related failures in new configurations, rather than merely reproduce individual corrections. Finally, the trained ARIA model demonstrates strong repair performance in both post-hoc and runtime settings, with generalization to unseen frameworks and host models. Our code is available at https://github.com/LabRAI/ARIA.
• Abstract（参考訳）: LLMベースのマルチエージェントシステム(MAS)では、他のエージェントが構築したローカルエラーが伝播し、修正可能なエラーが失敗する。 完了した実行を診断したり、繰り返し再実行して修正を検索しても、実行が進行中である間に介入するための学習されたポリシーは提供されない。 我々は、進行中のマルチエージェント実行をいつ、どのように修復するかを学ぶためのフレームワークであるARIA(Agent Runtime Inspection and Amendment)を提案する。 私たちの重要な直感は、実行検証された修復を再利用可能な監視にし、データ構築とトレーニングに修復探索を移動させることで、学習したモデルが繰り返しテストせずに実行時に介入できるようにします。 まず、4つのマルチエージェントフレームワーク、6つのベンチマーク、8つのホストモデルにわたる24{,}000以上の成功と失敗のトラジェクトリを収集します。 これらの軌道から、我々はARIAデータセットを構築し、大規模なデータセットペアリングが実行検証された修復を伴うマルチエージェントトラジェクトリに失敗したことを知る。 3{,}953の検証済みの修復ペアが含まれており、それぞれに何が問題なのか、どこに介入するか、どのように実行を継続するかが指定されている。 そこで我々は,MASに依存しないランタイム検査と修正のためのARIAフレームワークを開発した。 検証済みの修復をトレーニングの例として用いて、介入が必要なときの認識と、進行中の動作の修正方法をコンパクトモデルに教える。 目的は、個別の修正を単に再現するのではなく、新しい構成における関連する障害に適用する修復戦略を学習することである。 最後に、トレーニングされたARIAモデルは、保留後の設定と実行時の設定の両方で強力な修復性能を示し、見当たらないフレームワークやホストモデルに一般化されている。 私たちのコードはhttps://github.com/LabRAI/ARIA.orgで公開されています。

関連論文リスト

• Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models [87.94969284553706]
  エンド・ツー・エンドのpass@$K$は、成功した振る舞いがベースモデルのディストリビューションにすでに現れるかどうかをテストする。 コールドスタートからハーネスを駆動するために、ベースチェックポイントを必要としない3つのスクリーンを構築します。 3つの画面はいずれも、ポストトレーニング後のSWE-bench Verified pass@$1$と密接に一致して、コホートをランク付けする。
  論文  参考訳（メタデータ） (2026-10-07T17:37:19Z)
• ContraFix: Agentic Vulnerability Repair via Differential Runtime Evidence and Skill Reuse [10.503895811137095]
  大規模言語モデル(LLM)エージェントは、自動脆弱性修復にますます利用されている。 最近の実証的な結果は、これらのエージェントがいまだに現実世界の脆弱性と戦っていることを示している。 ContraFixは、再利用可能な修復スキルとランタイムエビデンスを結合するエージェントフレームワークである。
  論文  参考訳（メタデータ） (2026-05-17T13:48:25Z)
• Runtime Execution Traces Guided Automated Program Repair with Multi-Agent Debate [8.424102114588559]
  自動プログラム修復(APR)は複雑なロジックエラーとサイレント障害に悩まされる。 現在のLLMベースのAPRメソッドは主に静的であり、ソースコードと基本的なテスト出力に依存している。 我々は、パッチ検証のための共有制約としてランタイム事実を活用するマルチエージェントフレームワークであるTraceRepairを提案する。
  論文  参考訳（メタデータ） (2026-04-03T02:23:25Z)
• DoVer: Intervention-Driven Auto Debugging for LLM Multi-Agent Systems [48.971606069204825]
  DoVerは、大規模言語モデル(LLM)ベースのマルチエージェントシステムのための介入駆動デバッグフレームワークである。 ターゲットの介入を通じて、アクティブな検証によって仮説生成を増強する。 DoVerは失敗試験の18～28%を成功させ、最大16%のマイルストーンを達成し、失敗仮説の30～60%を検証または否定する。
  論文  参考訳（メタデータ） (2025-12-07T09:23:48Z)
• Metacognitive Self-Correction for Multi-Agent System via Prototype-Guided Next-Execution Reconstruction [58.51530390018909]
  大規模言語モデルに基づくマルチエージェントシステムは、協調的な問題解決において優れているが、エラーのカスケードには脆弱である。 我々は,MASにリアルタイム,教師なし,ステップレベルの誤り検出と自己補正を付与するメタ認知フレームワークMASCを提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:35:37Z)
• Where LLM Agents Fail and How They can Learn From Failures [62.196870049524364]
  大規模言語モデル(LLM)エージェントは、複雑なマルチステップタスクの解決において有望であることを示す。 単一ルート原因エラーがその後の決定を通じて伝播する、障害のカスケードに対する脆弱性を増幅する。 現在のシステムは、モジュール的で体系的な方法でエージェントエラーを包括的に理解できるフレームワークを欠いている。 AgentErrorTaxonomyは、メモリ、リフレクション、計画、アクション、システムレベルの操作にまたがる障害モードのモジュール分類である。
  論文  参考訳（メタデータ） (2025-09-29T18:20:27Z)
• Reinforcement Learning for Machine Learning Engineering Agents [52.03168614623642]
  強化学習によって改善される弱いモデルによって支援されるエージェントは、はるかに大きいが静的モデルによって支援されるエージェントよりも優れていることを示す。 分散非同期RLフレームワークにおいて,高コストかつ高利回りな動作を増幅するための時間依存性の勾配更新を提案する。 また,早期に失敗するプログラムとほぼ正しくないプログラムを区別し,部分クレジットを提供する環境機器を提案する。
  論文  参考訳（メタデータ） (2025-09-01T18:04:10Z)
• A Unified Debugging Approach via LLM-Based Multi-Agent Synergy [39.11825182386288]
  FixAgentはマルチエージェントのシナジーによる統合デバッグのためのエンドツーエンドフレームワークである。 1.25$times$ 2.56$times$レポレベルのベンチマークであるDefects4Jのバグを修正した。
  論文  参考訳（メタデータ） (2024-04-26T04:55:35Z)

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。