論文の概要: DeciCAD: Harness-Grounded Learning of Action Policies for CAD Agents

• arxiv url: http://arxiv.org/abs/2610.21755v1
• Date: Thu, 15 Oct 2026 12:11:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.061451
• Title: DeciCAD: Harness-Grounded Learning of Action Policies for CAD Agents
• Title（参考訳）: DeciCAD:CADエージェントのための行動ポリシーのハーネスグラウンド学習
• Abstract要約: 大規模言語モデルエージェントは、エージェントハーネスによって決定空間が定義されるクローズドループアクションポリシーを介して動作する。 本稿では,コンピュータ支援設計(CAD)におけるエージェントの動作と政策学習をいかに形作るかを検討する。 我々は、インタラクショントラジェクトリから因果決定の監督を抽出し、教師付き微調整(SFT)と幾何学的オンライン強化学習(RL)を通してポリシーを改善する学習パイプラインを開発する。
• 参考スコア（独自算出の注目度）: 37.24862774593194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large Language Model agents operate through closed-loop action policies whose decision space is defined by an agent harness. We investigate how this operating space shapes agent behavior and policy learning in computer-aided design (CAD), a professional domain characterized by persistent state, geometric constraints, and long-horizon procedures. We instantiate this perspective in DeciCAD, a domain-native harness that exposes semantic CAD actions, decision-oriented observations, environment feedback, and persistent state transitions. Building on this harness, we develop a learning pipeline that extracts causal decision supervision from interaction trajectories and improves the policy through supervised fine-tuning (SFT) and geometry-grounded online reinforcement learning (RL). Across four CAD benchmarks, DeciCAD achieves the best F1 and intersection over union (IoU) while reducing model-output tokens by 45--88% relative to a general-purpose coding harness. Under matched supervision, its SFT policy improves F1 from 0.6883 to 0.7437 and outperforms the coding policy; subsequent online RL further raises geometry availability from 66.5% to 73.5% and F1 to 0.7880. These results demonstrate that the decision space induced by a harness materially affects both agent execution and policy learning in CAD.
• Abstract（参考訳）: 大規模言語モデルエージェントは、エージェントハーネスによって決定空間が定義されるクローズドループアクションポリシーを介して動作する。 本稿では,コンピュータ支援設計(CAD)におけるエージェントの動作と政策学習をいかに形作るかを検討する。 私たちはこの視点をドメインネイティブなハーネスであるDeciCADでインスタンス化し、セマンティックCADアクション、決定指向の観察、環境フィードバック、永続的な状態遷移を公開します。 このハーネスを基盤として,インタラクショントラジェクトリから因果決定の監督を抽出する学習パイプラインを構築し,教師付き微調整(SFT)と幾何学的オンライン強化学習(RL)を通じて政策を改善する。 4つのCADベンチマークで、DeciCADは、汎用コーディングハーネスと比較して、モデル出力トークンを45～88%削減しながら、最良のF1とIoU(Universal over Union)を達成する。 一致した監督の下では、SFTポリシーはF1を0.6883から0.7437に改善し、コーディングポリシーを上回り、その後のオンラインRLでは66.5%から73.5%に、F1は0.7880に向上した。 これらの結果から,ハーネスによって引き起こされる決定空間はCADにおけるエージェント実行とポリシー学習の両方に実質的に影響を及ぼすことが示された。

関連論文リスト

• Direction-Conditioned Policies for Online Goal-Conditioned Reinforcement Learning [1.5282767384702272]
  DCP(Direction-Conditioned Policies)は,CRL(Contrastive Reinforcement Learning)への小さな修正を中心に構築された手法である。 DCPは、以前に訪れた州を、オンライントレーニング中のウェイポイントとして選定し、表現空間におけるその方向と距離に関するポリシーを条件付けする。 DCP は 7 つのタスクにおいて CRL よりも高い最終成功率を達成し、7 つのタスクで目標に近づくまでにより多くの時間を費やすことを示す。
  論文  参考訳（メタデータ） (2026-10-04T09:42:24Z)
• StepCAD: Mesh-to-CAD Code Generation via LLM Policy and Geometry-Guided Search [4.363435943825789]
  StepCADは、状態条件CADポリシーと幾何学誘導探索を組み合わせた生成最適化手法である。 また、多様な操作にまたがる1.5M実行可能CADプログラムの大規模データセットであるARCADE-1.5Mを紹介する。 StepCADは、最先端の幾何学的復元精度を常に高い妥当性で達成し、IoUの相対的改善率は87.2%に達する。
  論文  参考訳（メタデータ） (2026-10-01T05:57:05Z)
• SUN: Persistent Programs For Language-Grounded Control-to-Learning-to-Real Policies [61.941546372624686]
  既存のプロトコルはタスクのセマンティクスを廃止し、手作りの報酬と制御が検証したものから逸脱する振る舞いを残している。 本稿では,SUN (Semantically UNified Programs) を導入し,幾何関係と接触関係が一度定義され,整列したモデル予測制御にコンパイルされる型付き実行プログラムについて述べる。 我々のシステムであるKuafuは、言語やシーンのセマンティクスからSUNプログラムを自動で合成し、MPCによる画面表示を実現し、ステージ条件付きポリシーのトレーニング中にセマンティクスを保持する。
  論文  参考訳（メタデータ） (2026-08-31T17:59:16Z)
• RA-CAD: Learning Post-Execution Critique for State-Aware Text-to-CAD Generation [25.137571635322896]
  RA-CADは、Generate--Execute--Critique--Rewriteループを介してCAD環境と対話する状態認識エージェントである。 エージェントは、中間ポリシーアクションとして明示的な実行後批判を生成する。 RA-CADは,既存の手法と比較して,最先端の実行妥当性と幾何学的品質を実現する。
  論文  参考訳（メタデータ） (2026-08-06T07:52:45Z)
• From Outcomes to Actions: Leveraging Hindsight for Long-Horizon Language Agent Training [55.744284393275926]
  強化学習(RL)は,複雑なタスクにおいて大規模言語モデル(LLM)を改善する手法として広く採用されている。 既存のRL法は、長い水平相互作用を持つ訓練エージェントの課題に直面している。 本稿では,現在の政策分布と後向き分布の両方を意図空間に投影する,新しい政策勾配法,HPO(Hindsight Policy Optimization)を提案する。
  論文  参考訳（メタデータ） (2026-06-28T08:35:47Z)
• From Imitation to Optimization: A Comparative Study of Offline Learning for Autonomous Driving [0.0]
  この研究は、この制限に対処するための包括的なパイプラインと比較研究を提示している。 まず,BC(Behavimental Cloning)ベースラインの開発について述べる。 次に、最先端のオフライン強化学習アルゴリズムである保守的Qラーニング(CQL)を同じデータとアーキテクチャに適用することにより、より堅牢なポリシーを学習できることを実証する。
  論文  参考訳（メタデータ） (2025-08-09T16:03:10Z)
• RAD: Training an End-to-End Driving Policy via Large-Scale 3DGS-based Reinforcement Learning [54.52545900359868]
  3DGSをベースとしたエンドツーエンド自動運転のためのクローズドループ強化学習フレームワークRADを提案する。 安全性を高めるため、我々は、安全クリティカルな事象に効果的に対応し、現実世界の因果関係を理解するために、政策の指針となる特別報酬を設計する。 IL法と比較して、RADは閉ループのほとんどの測定値において、特に3倍の衝突速度を示す。
  論文  参考訳（メタデータ） (2025-02-18T18:59:21Z)
• Q-value Regularized Transformer for Offline Reinforcement Learning [70.13643741130899]
  オフライン強化学習(RL)における最先端化のためのQ値正規化変換器(QT)を提案する。 QTはアクション値関数を学習し、条件付きシーケンスモデリング(CSM)のトレーニング損失にアクション値を最大化する用語を統合する D4RLベンチマークデータセットの実証評価は、従来のDP法やCSM法よりもQTの方が優れていることを示す。
  論文  参考訳（メタデータ） (2024-05-27T12:12:39Z)
• Action-Quantized Offline Reinforcement Learning for Robotic Skill Learning [68.16998247593209]
  オフライン強化学習(RL)パラダイムは、静的な行動データセットを、データを収集したポリシーよりも優れたパフォーマンスのポリシーに変換するためのレシピを提供する。 本稿では,アクション量子化のための適応型スキームを提案する。 IQL,CQL,BRACといった最先端のオフラインRL手法が,提案手法と組み合わせることで,ベンチマークのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2023-10-18T06:07:10Z)

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。