論文の概要: LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents

• arxiv url: http://arxiv.org/abs/2610.22280v1
• Date: Thu, 15 Oct 2026 17:40:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 06:09:33.232232
• Title: LEASH: Uncertainty-Aware Weak-to-Strong Escalation and Oversight for Computer-Use Agents
• Title（参考訳）: LEASH:コンピュータ・ユース・エージェントのための不確実な弱みのエスカレーションと監視
• Abstract要約: 弱みと強みのエスカレーションは、弱いエージェントがデフォルトで作用し、必要なときにのみ強いエージェントに手動で制御する中間層を提供する。 弱いエージェントの潜伏不確実性信号が必要な場合にのみ強力なエージェントを解き放つ学習自由フレームワークであるLEASHを提案する。
• 参考スコア（独自算出の注目度）: 47.654433247535735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computer-use agents increasingly tackle long-horizon tasks, where running a frontier model at every step is expensive and a small open-weight model alone often fails. Weak-to-strong escalation offers a middle ground where a weak agent acts by default and hands control to a strong one only when needed. The core challenge is deciding when to escalate, which requires an uncertainty signal cheap enough to check at every step. However, even after handoff, the strong agent can still get lost, but a black-box API that the strong agent is usually served exposes no internals to monitor. To this end, we propose LEASH, a training-free framework that unleashes the strong agent only when the weak agent's latent uncertainty signals it is needed, and keeps it on a leash afterward. LEASH has three layers: (1) initial task uncertainty for early routing, (2) step-level uncertainty for runtime escalation, and, after handoff, (3) a shadow observer for continued oversight of the strong black-box agent. Here, we use latent uncertainty as a fuel for all three layers. Specifically, we compare the weak model's hidden states with those from its past successful and failed trajectories, and a state that looks more like the failures signals higher uncertainty. During weak-agent execution, our uncertainty estimator reuses activations already produced during action generation, so it needs no extra forward pass or dedicated monitor training. Experiments on OSWorld across four contemporary model backbones show that LEASH consistently improves over standalone weak agents and outperforms random escalation by 6.55--11.94 points at matched escalation rates. With Qwen3.5-35B-A3B, LEASH achieves 73.66% task success at $0.4117 per task, matching always-on Claude Opus 5 (72.90%) while reducing inference cost by 19.2%.
• Abstract（参考訳）: すべてのステップでフロンティアモデルを実行するのは高価であり、小さなオープンウェイトモデルだけでは失敗することが多い。 弱みと強みのエスカレーションは、弱いエージェントがデフォルトで作用し、必要なときにのみ強いエージェントに手動で制御する中間層を提供する。 最大の課題は、いつエスカレートするかを決めることだ。 しかし、ハンドオフ後も、強いエージェントは失われる可能性があるが、強いエージェントが通常提供されるブラックボックスAPIは監視する内部を公開しない。 この目的のために,弱いエージェントの潜伏不確実性信号が必要な場合にのみ強いエージェントを解き放つ学習自由フレームワークであるLEASHを提案する。 1)初期ルーティングに対する初期タスクの不確実性、(2)実行時のエスカレーションに対するステップレベルの不確実性、(3)ハンドオフ後、(3)強力なブラックボックスエージェントの監視を継続するシャドーオブザーバの3つのレイヤを持つ。 ここでは、3層すべての燃料として潜伏不確実性を使用します。 具体的には、弱いモデルの隠れ状態と過去の成功と失敗の軌跡を比較し、失敗に近い状態がより高い不確実性を示唆する。 弱いエージェントの実行中、我々の不確実性推定器は、アクション生成中に既に生成されたアクティベーションを再利用するので、追加のフォワードパスや専用のモニタートレーニングは必要ありません。 現代の4つのモデルバックボーンにわたるOSWorldの実験では、LEASHはスタンドアローンの弱いエージェントよりも一貫して改善し、一致したエスカレーションレートで6.55-11.94ポイントのランダムエスカレーションを上回っている。 Qwen3.5-35B-A3Bでは、LEASHはタスク当たり73.66%のタスク成功を0.4117ドルで達成し、常にオンのクロードオプス5(72.90%)と一致し、推論コストを19.2%削減した。

関連論文リスト

• Uncertainty-Driven Self-Play for Robust Multi-Agent Driving Policies [52.52071620695231]
  本研究では,近隣住民の不確実性を高めるために,エージェントの半数が報酬を受ける不確実性駆動型セルフプレイ方式を提案する。 疫学的不確実性は、政策の信頼性が低く、シナリオ難易度の自動プロキシとして機能することを示す。 我々の多様性駆動型アプローチは、ベースラインよりもLSTM隠蔽状態のカバレッジが高く、よりリッチな振る舞いを示す。
  論文  参考訳（メタデータ） (2026-10-14T07:40:27Z)
• Can an Agent Learn to Predict Its Own Failure? Outcome-Grounded Confidence Calibration in LLM Agents [0.2538209532048867]
  マルチステップエピソードの最終的な結果に対するエージェントの信頼度を調整する手法を提案する。 オフラインRLでは、エピソード結果に対するステップ信頼のAUROCは0.68-0.85に近づき、エージェントの上位10%は4.3倍の成功に最も自信を持つ。 ライブALFWorldエージェント上のオンラインRLでは、4つのキャリブレーション報酬がアーリーステップのAUROCを改善し、期待キャリブレーションエラーは0.42から0.12以下となり、未訓練エージェントとフォーマットのみのRLコントロールの両方に対して選択的実行が改善される。
  論文  参考訳（メタデータ） (2026-10-13T16:00:01Z)
• Embodied Agents Take Control: Minimal-Interface Zero-Shot Agents Rival Industrial-Scale Policies in Vision-and-Language Navigation [27.261164150282706]
  汎用エージェントがループを単独で維持できることがわかった。 我々は、この組織をエージェント・エンボディド・コントロールと呼びます。 より長い地平線、レイテンシ、コンテキスト成長は、持続的な自律性の障壁であり続けているが、これらの結果は、汎用モデルがナビゲーションポリシーなしで既に競争力のある実施制御を達成可能であることを示している。
  論文  参考訳（メタデータ） (2026-07-28T18:00:34Z)
• GuardianAgentBench: Where Agents Fail and How to Guard Them [1.5223648595073074]
  GuardianAgentBenchは、プロダクション対応の3つのフレームワークで評価された6つのドメインにわたる580のシナリオのベンチマークである。 最強の構成でさえ、全体的な精度は74.8%に過ぎず、2つの異なる障害体制を明らかにしている。 我々のガードレールの実装は、全てのモデルにおけるシステムプロンプトベースの防御を一貫して上回り、19.9%の障害をわずか0.5%の偽陽性率で回復させる。
  論文  参考訳（メタデータ） (2026-07-23T07:05:05Z)
• TACT: Mitigating Overthinking and Overacting in Coding Agents via Activation Steering [70.99933391739154]
  我々は、エージェントが既に持っている情報に対して繰り返し理由付けを行う2つの障害モードと、最近の観察を統合したり、新たな証拠を取得することなくツールコールを発行する2つの障害モードに焦点を当てる。 本稿では,活性化ステアリングによるTACT (Think-Act via activation Steering) を導入し,動作不良として現れる前に残留流中のエージェントの漂流を検知・緩和する。 具体的には、軌道のステップを過度に考え、過剰に実行し、あるいは校正し、隠れた状態が2つの *drift 軸* に沿って線形に分離できることを発見し、それぞれの障害モードに向かって校正された振る舞いを指示する。
  論文  参考訳（メタデータ） (2026-05-07T10:24:27Z)
• Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
  エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。 Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。 すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
  論文  参考訳（メタデータ） (2026-04-07T17:43:18Z)
• $\texttt{YC-Bench}$: Benchmarking AI Agents for Long-Term Planning and Consistent Execution [38.30265058791818]
  このベンチマークは、エージェントがシミュレーションされたスタートアップを数百のターンにまたがる1年間の地平線上で実行することで、能力を評価する。 プロプライエタリとオープンソースの両方で、それぞれ3つのシードに対して12のモデルを評価します。 クレード・オプス4.6は1.27Mで平均的なファイナルファンドを達成し、GLM-5は1.21Mで11$times$低い推論コストを達成した。
  論文  参考訳（メタデータ） (2026-04-01T17:52:19Z)
• AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents [50.481033105867205]
  我々はAgentProcessBenchを紹介した。AgentProcessBenchは、現実的なツール拡張トラジェクトリにおけるステップレベルの有効性を評価するための最初のベンチマークである。 ベンチマークは、1,000の多様な軌跡と8,509の人間ラベル付きステップアノテーションと89.1%のアノテーション間合意で構成されている。 探索をキャプチャする3つのラベリングスキームと、ラベルのあいまいさを減らすためのエラー伝搬ルールを備えている。
  論文  参考訳（メタデータ） (2026-03-15T16:13:58Z)
• Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
  数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。 モデル、足場、ベンチマークにまたがる3次元解析を行う。 私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
  論文  参考訳（メタデータ） (2025-10-13T22:22:28Z)

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。