論文の概要: AutoPruner: Agentic Depth Pruning for Vision-Language-Action Models

• arxiv url: http://arxiv.org/abs/2610.23880v1
• Date: Wed, 23 Sep 2026 14:02:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 23:02:57.19833
• Title: AutoPruner: Agentic Depth Pruning for Vision-Language-Action Models
• Title（参考訳）: AutoPruner:視覚-言語-アクションモデルのためのエージェントディープスプルーニング
• Abstract要約: AutoPrunerはクローズドループ実験を通じてプルーニング構造とリカバリレシピを検索する。 バックボーン層の16.7-87.5%を除去し、90%以上のタスク成功を維持している。 さらに分析したところ、高表現類似性にもかかわらず、機能プローブはアクション感受性の層を識別することがわかった。
• 参考スコア（独自算出の注目度）: 17.48326986449538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Layer pruning reduces the size and inference cost of vision-language-action (VLA) models, but selecting a deployable configuration requires deciding both which layers to remove and how to recover task performance. These decisions depend on the model and task, and a failed trial can reflect either the deletion set or insufficient recovery. We present AutoPruner, an agent-driven framework that jointly searches pruning structures and recovery recipes through closed-loop experimentation. Offline layer interventions measure changes in action output to provide functional evidence. An LLM agent combines this evidence with evaluation history and retained diagnoses to propose deletion sets and recovery recipes within a search budget. Each proposal is executed and evaluated on the target tasks, and the resulting feedback guides the next experiment. Across OpenVLA-OFT, StarVLA, and FastWAM on four LIBERO suites, AutoPruner removes 16.7--87.5% of backbone layers while maintaining task success above 90%, with measured inference speedups of up to 2.50$\times$. Further analysis shows that functional probes identify action-sensitive layers despite high representation similarity, and that recovery can make previously failing structures viable.
• Abstract（参考訳）: レイヤプルーニングは、視覚言語アクション(VLA)モデルのサイズと推論コストを削減するが、デプロイ可能な構成を選択するには、どのレイヤを削除するか、タスクのパフォーマンスを回復するかを決定する必要がある。 これらの決定はモデルとタスクに依存し、失敗した試行は削除セットまたは回復の不十分を反映することができる。 我々は,クローズドループ実験を通じて,プルーニング構造とリカバリレシピを共同で検索する,エージェント駆動型フレームワークであるAutoPrunerを提案する。 オフライン層の介入は、機能的証拠を提供するために行動出力の変化を測定する。 LLMエージェントは、この証拠を評価履歴と組み合わせて診断し、検索予算内で削除セットと回復レシピを提案する。 各提案は対象タスク上で実行され、評価され、結果として得られるフィードバックは次の実験を導く。 OpenVLA-OFT、StarVLA、FastWAMの4つのLIBEROスイートでは、AutoPrunerは16.7-87.5%のバックボーン層を削除し、90%以上のタスク成功を維持している。 さらなる分析により、高表現的類似性にもかかわらず、機能的なプローブがアクション感受性の層を識別し、リカバリによって以前に失敗した構造が実現可能であることが示された。

関連論文リスト

• LOOP: Recovery-Aligned Iterative Layer Pruning via On-Policy Distillation [39.197700378196195]
  レイヤーレベルのプルーニングは、モデルサイズを減らすため、大規模言語モデル(LLM)デプロイメントには魅力的である。 現行のメソッドは一般的にワンショットのパラダイムに従っており、まず選択したレイヤを削除してターゲットモデルのサイズに到達させる。 LOOPは階層レベルのリカバリ指向のオンラインプルーニングフレームワークで、複数ショットにわたるプルーニングとリカバリをインターリーブする。
  論文  参考訳（メタデータ） (2026-10-19T02:30:18Z)
• One Readout, Many Repairs: Diffusion-Guided Hierarchical Search for Tool-Agent Repair [14.373144574240165]
  本稿では,修復計算の削減を図り,ツールエージェントの故障復旧を改善するためのトレーニング不要な拡散誘導フレームワークを提案する。 ReCommitは、マスク付き言語モデルの単一並列読み出しから操作型スコアを再利用することにより、修復試験全体にわたって操作レベルの提案を補正する。 Agent-Diffベンチマークで4つのエンタープライズサービスにまたがる実際の障害に関する実験では、75.9%と63.2%の相対的な回復率が61.3%、51.3%の削減率を示した。
  論文  参考訳（メタデータ） (2026-09-28T10:57:16Z)
• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• ParaRecover: A Process-Level Benchmark for Error Localization and Recovery in Parallel Tool-Use Agents [9.426759720914623]
  ParaRecoverは、マルチターン並列ツール使用エージェントのエラーローカライゼーションとリカバリを評価するための、プロセスレベルのベンチマークである。 計画依存関係、ツールの選択、引数マッチングを含む14のエラータイプの詳細な分類に基づいて、ベンチマークは2つの困難レベルにまたがる10,626のインスタンスで構成されている。 実験によると、最先端のモデルでさえも、マルチターンエラーの伝播、ツール使用障害の簡易化、正確な再計画に苦戦している。
  論文  参考訳（メタデータ） (2026-09-11T02:09:33Z)
• Behavioral Controllability of Agentic Models for Information Extraction: From Fixed Workflows to Reflective Agents [4.2476244489062704]
  本研究では,リフレクションやメモリなどのエージェント成分が,固定LDMエージェントよりも観測可能かつ制御可能な改善をもたらすかを検討した。 固定されたワークフローベースラインと反射エージェントの変種を比較し、最適化されたエージェント条件を指定する。 評価では,ツールの実行,再試行,リフレクション,メモリ使用,実行時の障害回復など,プロセスレベルの動作が重視される。
  論文  参考訳（メタデータ） (2026-07-17T07:51:09Z)
• When Tools Fail: Benchmarking Dynamic Replanning and Anomaly Recovery in LLM Agents [48.32450507410869]
  既存のベンチマークでは、LLMにおけるツール統合推論を理想化された'ハッピーパス'に基づいて評価している。 我々はTIRエージェントの動的経路探索とエラー回復のためのベンチマークであるToolMazeを紹介する。
  論文  参考訳（メタデータ） (2026-06-04T07:38:46Z)
• RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
  本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。 RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。 RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
  論文  参考訳（メタデータ） (2026-05-25T06:26:43Z)
• 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)
• List-aware Reranking-Truncation Joint Model for Search and Retrieval-augmented Generation [80.12531449946655]
  本稿では,2つのタスクを同時に実行可能なRe rank-Truncation joint model(GenRT)を提案する。 GenRTは、エンコーダ-デコーダアーキテクチャに基づく生成パラダイムによるリランクとトランケーションを統合している。 提案手法は,Web検索および検索拡張LLMにおけるリランクタスクとトラルケーションタスクの両方においてSOTA性能を実現する。
  論文  参考訳（メタデータ） (2024-02-05T06:52:53Z)

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。