論文の概要: Prune the Summary, Not the History: Source-Judged Compaction for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2610.20927v1
• Date: Wed, 14 Oct 2026 20:57:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.072473
• Title: Prune the Summary, Not the History: Source-Judged Compaction for Long-Horizon Agents
• Title（参考訳）: 歴史ではなく概要を語る: ロングホライゾン・エージェントのソース・ジャッジド・コンプレクション
• Abstract要約: Source-Judged Compactionは、環境出力にソースがあるか、あるいは以前のサマリがあるか、それぞれのサマリエントリをスコアし、そうでないエントリを削除します。 AppWorldとOfficeBenchの2つのエージェントモデルでは、SJCはエージェントのトークン使用量を増やすことなく、基盤となるコンプレッサーのクロスラン信頼性を2.1%-8.9%向上させる。
• 参考スコア（独自算出の注目度）: 3.909651044950856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-horizon LLM agents rely on context compaction: when the interaction history outgrows the context window, a compressor replaces it with a natural-language summary. We show that these summaries contain more than a record of what happened. Compaction prompts ask for decisions and next steps, so each summary mixes facts established by the environment with reasoning written by the compressor, and the agent cannot tell the two apart afterwards. In an analysis of a widely used structured compressor, 83% of failed runs trace back to an action that carries out a specific summary entry, most of which no environment output supports. We propose Source-Judged Compaction (SJC), a training-free post-processing step that scores each summary entry for whether it has a source in the environment outputs or the previous summary, and removes the entries that do not. It changes neither the agent nor the compressor and adds one inexpensive judge request per compaction. The judge is Jev, a non-generative decision model that answers the source question with a calibrated probability instead of text. On AppWorld and OfficeBench with two agent models, SJC improves cross-run reliability over the underlying compressor by 2.1%-8.9% without increasing the agent's token usage.
• Abstract（参考訳）: 相互作用履歴がコンテキストウィンドウを超過した場合、圧縮機はそれを自然言語の要約に置き換える。 これらの要約は、起こったことの記録以上のものを含んでいることを示す。 圧縮は決定と次のステップを求めるよう促すため、各要約は環境によって確立された事実と圧縮機によって書かれた推論を混合し、エージェントはその後2つを区別することができない。 広く使用されている構造化圧縮機の解析において、失敗の83%は特定の要約エントリを実行するアクションに遡り、ほとんどの場合環境出力がサポートされない。 我々は、環境出力にソースがあるか、あるいは以前のサマリーがあるか、それぞれのサマリーエントリをスコアする、トレーニング不要な後処理ステップであるSource-Judged Compaction (SJC)を提案し、そうでないエントリを削除する。 エージェントもコンプレッサーも変更せず、コンパクト化毎に1つの安価な判断要求を追加する。 審査員はJevであり、原点の質問にテキストの代わりに校正された確率で答える非生成的決定モデルである。 AppWorldとOfficeBenchの2つのエージェントモデルでは、SJCはエージェントのトークン使用量を増やすことなく、基盤となるコンプレッサーのクロスラン信頼性を2.1%-8.9%向上させる。

関連論文リスト

• Can LLM Agents Automate Reinforcement Learning for Text-to-Speech? [64.13250261774849]
  私たちは、共有ワークスペースの周りに、ヒューマンガイダンスとエージェント実行を構造化するコラボレーティブワークフローを構築します。 エージェントが何を自動化するかを測定するため、我々は公開レシピに対して段階的に軌道ステージを監査する。 以上の結果から, エージェントは不特定レシピを回収し, 改良し, 失速した場合には, 文献を調査し, LMキャリアからフローキャリアへピボットすることがわかった。
  論文  参考訳（メタデータ） (2026-10-03T12:44:09Z)
• Fetch-then-Explore: Decoupling Selection from Extraction over a Persistent Workspace for Search Agents [60.97609995940902]
  検索エージェントに対して textbfFetch-then-Explore を提案する。 ページ選択とエビデンス抽出を分離し、選択したものを保持する。 これは、すべてのバックボーンでBrowseCompの精度を導き、一般的にWideSearchのベースラインと一致するか、超える。
  論文  参考訳（メタデータ） (2026-08-03T11:58:21Z)
• Lost in Compaction: Evaluating Side-Constraint Loss under Context Compaction [15.50071698912462]
  コンテキストウィンドウがプレッシャー下にある場合、LLMシステムは継続するタスクを継続するために事前コンテキストをコンパクトにする。 この損失を定量化するために,3つの長期コンテキストシナリオにまたがるコンパクタ評価スイートComp matterを紹介した。 3つのシナリオで90%以上の保持を達成し,プラグイン・アンド・プレイモジュールとしてコンパクタとともに動作するSC対応抽出器を提案する。
  論文  参考訳（メタデータ） (2026-07-31T16:04:00Z)
• Slipstream: Trajectory-Grounded Compaction Validation for Long-Horizon Agents [8.880437352929315]
  Slipstream(スリップストリーム)は、判断器を用いてエージェントの継続的な推論に対して候補の要約を検証する、軌道上の圧縮システムである。 タスクの精度を最大8.8ポイント改善し、エンドツーエンドのレイテンシを最大39.7%削減する。
  論文  参考訳（メタデータ） (2026-05-09T00:47:43Z)
• The Last Human-Written Paper: Agent-Native Research Artifacts [106.47848184955576]
  本稿では,物語紙を機械処理可能な研究パッケージに置き換えるプロトコルであるAgent-Native Research Artifact(ARA)を紹介する。 通常の開発において決定と終了をキャプチャするLive Research Manager、レガシPDFとリポジトリをARAに変換するARAコンパイラ、人間レビュアーが重要性、ノベルティ、味にフォーカスできるように客観的チェックを自動化するARAネイティブレビューシステムである。
  論文  参考訳（メタデータ） (2026-04-27T16:23:09Z)
• Noise-Robust Abstractive Compression in Retrieval-Augmented Language Models [0.0]
  抽象圧縮は、より小さなランガウジュモデルを用いてクエリ関連コンテキストを凝縮する。 検索された文書は、しばしば、クエリに答えることに関係のない情報や、事実の不正なコンテンツのために誤解を招く情報を含んでいる。 ACoRNは、多くの精度でドキュメントを削減したデータセットを抽出し、現実世界のシナリオで非常に有用である。
  論文  参考訳（メタデータ） (2025-11-19T00:51:27Z)
• ACoRN: Noise-Robust Abstractive Compression in Retrieval-Augmented Language Models [26.585985828583304]
  抽象圧縮は、より小さなランガウジュモデルを用いてクエリ関連コンテキストを凝縮する。 検索された文書には、質問に答えることに関係のない情報や、事実の誤りによって誤解を招く情報が含まれていることが多い。 この挙動は、抽象圧縮機は正しい解答に必要な重要な情報を省略する傾向にあることを示している。
  論文  参考訳（メタデータ） (2025-04-17T06:05:35Z)
• BRIEF: Bridging Retrieval and Inference for Multi-hop Reasoning via Compression [91.23933111083389]
  Retrieval-augmented Generation (RAG)は、外部知識を統合することで、大きな言語モデル(LLM)を補完することができる。 本稿では,クエリ対応マルチホップ推論を行う軽量なアプローチであるBRIEFを提案する。 オープンソースモデルで構築した合成データに基づいて,BRIEFはより簡潔な要約を生成する。
  論文  参考訳（メタデータ） (2024-10-20T04:24:16Z)
• RECOMP: Improving Retrieval-Augmented LMs with Compression and Selective Augmentation [61.53695868960846]
  テキスト内統合に先立って,検索した文書をテキスト要約に圧縮する手法を提案する。 これにより、計算コストを削減できるだけでなく、長期検索された文書の関連情報を識別する上で、LMの負担を軽減できる。 本研究では,あるLMに対して訓練した圧縮機を言語モデリングタスク上で他のLMに転送し,検索した文書にほぼ忠実な要約を提供することを示す。
  論文  参考訳（メタデータ） (2023-10-06T17:55:36Z)
• On Biased Compression for Distributed Learning [55.89300593805943]
  バイアス圧縮機が単一ノードと分散設定の両方において線形収束率をもたらすことを初めて示す。 理論的保証と実用性能を期待できる新しいバイアス圧縮機を提案する。
  論文  参考訳（メタデータ） (2020-02-27T19:52:24Z)

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。