論文の概要: PRIME: Towards Verifiable Evidence-Grounded Reasoning in LLM Agents

• arxiv url: http://arxiv.org/abs/2610.22426v1
• Date: Thu, 15 Oct 2026 05:03:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.585036
• Title: PRIME: Towards Verifiable Evidence-Grounded Reasoning in LLM Agents
• Title（参考訳）: PRIME:LSMエージェントにおける証拠収集推論の検証に向けて
• Abstract要約: LLMエージェントは、組織の要求に対してレコードをチェックするために使用される。 PRIME(Precommitted Rules for Inference from Minimal Evidence)は、各結論の正当性を示す証拠ルートを定めている。 480の公開記録タスクでは、エージェントが26.7%のタスクに対して不正な結論を報告したが、PRIMEは報告しなかった。
• 参考スコア（独自算出の注目度）: 13.385373310554327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: LLM agents are used to check records against an organization's requirements, for example whether a vulnerability report is ready for investigation. Requirements often allow several ways to be met, such as a severity rating with a curator-reviewed advisory or a published advisory link. Agents fail by accepting a report after a required check has failed, or by settling for a weaker conclusion without trying another way that could still succeed. We introduce PRIME (Precommitted Rules for Inference from Minimal Evidence). Before checking, it fixes evidence routes specifying how each conclusion may be justified. A separate program records each check result and refuses any conclusion the results do not justify. It also points the agent to checks that could justify a stronger conclusion, or runs them itself. PRIME reports only conclusions authorized by its rules and ledger. With correct requirements, exact checks at known locations, and sufficient budget at stopping, completion reaches the strongest supported conclusion. On 480 public-record tasks, an agent shown the requirements reported unjustified conclusions on 26.7% of tasks, while PRIME reported none. Its directions and added checks raised the average score for justified conclusions from 30.1, with refusal alone, to the maximum of 59.2 out of 100.
• Abstract（参考訳）: LLMエージェントは、例えば脆弱性レポートが調査の準備ができているかどうかなど、組織の要件に対してレコードをチェックするために使用される。 要件はしばしば、キュレーターがレビューしたアドバイザリを使った厳格な評価や、公開されたアドバイザリリンクなど、いくつかの方法で満たすことができる。 エージェントは、必要なチェックが失敗した後、レポートを受け入れるか、あるいは、まだ成功する可能性のある別の方法を試すことなく、より弱い結論を求めることで失敗する。 PRIME (Precommitted Rules for Inference from Minimal Evidence)を紹介する。 チェックする前に、各結論の正当性を示すエビデンスルートを修正します。 個別のプログラムは、各チェック結果を記録し、結果を正当化しない結論を拒絶する。 また、エージェントはより強力な結論を正当化したり、自分自身で実行したりできるチェックを指示する。 PRIMEはルールと台帳によって承認された結論のみを報告している。 正確な要件、既知の場所の正確なチェック、停止する十分な予算により、完了は最も支持された結論に達する。 480の公開記録タスクでは、エージェントが26.7%のタスクに対して不正な結論を報告したが、PRIMEは報告しなかった。 その方向とチェックの追加は、30.1点の正解点の平均スコアを100点中59.2点まで引き上げた。

関連論文リスト

• Beyond the Verdict: Agentic Code Judging with Verifiable Feedback [54.72977295521153]
  我々は,人間の専門家による受諾プログラムと受諾プログラムを用いて,USACO 2026コンテストからUSACO-JUDGEを構築した。 次に、35Bのエージェント検証器であるARBITERを、汎用的な実行サンドボックスで強化学習して訓練する。 トレーニングは、不正なプログラムを40.61%から62.67%に、二分判定の精度を71.41%から87.41%に引き上げる。
  論文  参考訳（メタデータ） (2026-10-13T17:22:58Z)
• Clean Scores, Buried Evidence, and Confident Wrong: A Receipt-Based Audit of Frontier Agentic QA [0.0]
  埋め込み条件に証拠を移動させることで精度が低下し、強制宣言が増加し、ツールコールが増加し、正解当たりのコストが増加した。 信頼性とベンチマークのキャリブレーションは、誤った回答を完全には捉えなかった。 エージェント評価には、クレームレベルのレシート(ステートメントレベルの証明、回答レベルのスコアではない)、条件対応スコア、人間対人検証が必要である。
  論文  参考訳（メタデータ） (2026-09-14T10:11:58Z)
• ClaimReceipt: Verifying Evidence Sufficiency and Coverage in Agent Evaluations [0.39287497907611874]
  ClaimReceiptは、型付きトランザクションエビデンスを署名された実験マニフェストにバインドし、クレーム毎にPASS、INVALID、INCONCLUSIVEを返す。 1,392の歴史的買い手-売り手記録では、CR-2検証者は手動でラベル付けされた監査の評定を全て再現し、600の決定論的および762のポストジェネレーションレコードを正確に再生する。 推論の前に30のアサインがコミットされ、端末のレシートが署名され、連鎖され、監査人のためにプライベートエビデンスが暗号化される。
  論文  参考訳（メタデータ） (2026-09-02T02:00:02Z)
• From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
  研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。 生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。 本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-05T13:37:38Z)
• DRNOISE: Benchmarking Deep Research Agents in Misleading Evidence Environments [51.049999642138]
  誤解を招く証拠の下で、回答回復のための100タスクのベンチマークであるDRNOISEを紹介する。 それぞれのタスクは、2つの間接的レコードチェーンが支持する固有の金の答えを持ち、ペアのノイズ条件は競合する答えを直接記述する1つのもっともらしい文書を付加する。 強いクリーンタスク性能を持つエージェント全体で、この単一の介入は66-88ポイントの精度低下を引き起こす。
  論文  参考訳（メタデータ） (2026-07-19T15:20:40Z)
• Verify-Gated Completion as Admission Control in a Governed Multi-Agent Runtime: A Bounded Architecture Case Study [0.6875312133832079]
  制御されたマルチエージェントランタイムの入出力制御パターンとして,検証ゲート補完について検討する。 観測条件下では,読み取り専用検証ゲートとパケット化入力記録が検査可能で,フェールクロースされた。
  論文  参考訳（メタデータ） (2026-05-18T07:52:13Z)
• FactReview: Evidence-Grounded Reviews with Literature Positioning and Execution-Based Claim Verification [57.196748998757954]
  本稿では,クレーム抽出,文献位置決定,実行に基づくクレーム検証を組み合わせたエビデンスベースレビューシステムであるFactReviewを紹介する。 FactReviewは論文を提出すると、主要なクレームを特定し、その結果を報告し、論文の技術的な位置を明らかにするために近くの作業を取り出し、コードが利用可能であれば、リリースされたリポジトリを実行する。 その後、簡潔なレビューと、主要な請求を5つのラベルのうち1つに割り当てるエビデンスレポートを生成する。
  論文  参考訳（メタデータ） (2026-04-05T11:45:22Z)
• Preventing the Collapse of Peer Review Requires Verification-First AI [49.995126139461085]
  我々は、真理結合、すなわち、過度に科学的真理をトラックする場所のスコアの厳密さを提案する。 プロキシ・ソブリン評価に向けた相転移を駆動する2つの力の形式化を行う。
  論文  参考訳（メタデータ） (2026-01-23T17:17:32Z)

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。