論文の概要: Agents' Last Doubt: Knowing When to Act and When to Step Back in Tool-Using Agents

• arxiv url: http://arxiv.org/abs/2610.24194v1
• Date: Fri, 16 Oct 2026 20:11:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 10:19:15.900315
• Title: Agents' Last Doubt: Knowing When to Act and When to Step Back in Tool-Using Agents
• Title（参考訳）: エージェントの最後の疑問:いつ、いつ、いつ、ツールを使うエージェントに戻るべきかを知る
• Abstract要約: ToolSandboxの1,036の意思決定点から3,115のアクション結果を含む反ファクトデータセットを構築した。 我々は,凍結したバックボーンエージェントの動作を選択するコントローラであるSURE-Actを推論時にトレーニングする。 実験により、代替アクションのランク付けを学ぶことで、回帰のみのベースラインよりもオフラインアクション選択ユーティリティが0.0309向上することが示された。
• 参考スコア（独自算出の注目度）: 30.300306641767392
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tool-using LLM agents repeatedly face decision points under uncertainty, choosing between autonomous action, additional information gathering, and human escalation. These decisions require balancing task success against interaction cost and the risk of irreversible errors. Learning to make these trade-offs is challenging because existing interaction trajectories record only the outcomes of actions taken, leaving the consequences of alternative actions unobserved. To address this gap, we construct a counterfactual dataset containing 3,115 action outcomes from 1,036 decision points in ToolSandbox. At each decision point, we execute each legal action and evaluate its downstream outcomes based on task completion, interaction cost, and irreversible errors. Using this dataset, we train SURE-Act, a controller that selects actions for a frozen backbone agent at inference time. Our experiments show that learning to rank alternative actions improves offline action-selection utility by 0.0309 over a regression-only baseline. We further show that adding SURE-Act enables end-to-end gains of up to 0.0575 in ToolSandbox's Overall Score with the Qwen3-4B agent. Moreover, SURE-Act outperforms adapted decision rules from SAGE-Agent and Calibrate-Then-Act by 0.1506 and 0.1438, respectively. This work establishes the first counterfactual dataset for ToolSandbox and provides actionable insights into decision-making under uncertainty for tool-using agents.
• Abstract（参考訳）: ツールを使用するLLMエージェントは、自律的な行動、追加の情報収集、人間のエスカレーションのどちらを選択するかという不確実性の下で、意思決定ポイントに何度も直面する。 これらの決定は、タスクの成功と相互作用コスト、および不可逆的なエラーのリスクのバランスをとる必要がある。 既存のインタラクショントラジェクトリは、アクションの結果のみを記録し、代替アクションの結果を観測できないままにしておくため、これらのトレードオフを学習することは難しい。 このギャップに対処するため、ToolSandboxの1,036の意思決定ポイントから3,115のアクション結果を含む対物データセットを構築した。 各決定ポイントにおいて、各法的行動を実行し、タスク完了、相互作用コスト、不可逆誤差に基づいて下流結果を評価する。 このデータセットを使用して、凍結したバックボーンエージェントのアクションを推論時に選択するコントローラであるSURE-Actをトレーニングする。 実験の結果,回帰のみのベースラインよりもオフライン動作選択ユーティリティが0.0309向上することがわかった。 さらに、SURE-Actを追加することで、ToolSandboxの総合スコアをQwen3-4Bエージェントで最大0.0575まで向上できることを示す。 さらに、SURE-Act は SAGE-Agent と Calibrate-Then-Act からそれぞれ 0.1506 と 0.1438 に適合した決定規則を上回ります。 この研究は、ToolSandboxの最初の反ファクトデータセットを確立し、ツール使用エージェントの不確実性の下で意思決定に関する実用的な洞察を提供する。

関連論文リスト

• CLEAT: Learning Value-Guided Clarification for Interactive Agents [50.63941775694406]
  本研究では,対話型意図アライメントの課題を明確化を通じて検討する。 トレーニングが不完全な情報を扱う方法を変えると、同じ明確化が多かれ少なかれ有用になる。 CLEATは、共有インタラクション結果から明確化値コントローラとタスクポリシーを協調訓練するフレームワークである。
  論文  参考訳（メタデータ） (2026-10-08T19:22:21Z)
• Learning When and How to Intervene: A Hindsight-Distilled Sentinel for Coding Agents [11.392677007699362]
  HiSentinelは、センチネルをプレエグゼクティションの介入を選択するために訓練する、後光蒸留フレームワークである。 SWE-Interveneは、ソフトウェアエンジニアリング軌道から構築されたアクションレベルデータセットである。 その結果、HiSentinelは、Sentinelスケールとコーディングエージェントファミリーのタスク補完を一貫して改善していることがわかった。
  論文  参考訳（メタデータ） (2026-09-30T15:26:16Z)
• From State to Action: OODA-Tool for Reliable Multi-Turn Tool Use [12.466318496864742]
  本稿では,国家行動競争を緩和するためのクローズドループ方式であるOODA-Toolを紹介する。 OODA-Toolは、コントローラがチェックした中間状態を通じて各決定をルーティングし、最終的な出力が現在のタスク状態に残されていることを保証します。 我々は,マルチターン,マルチツール,不完全情報設定にまたがるQwen3モデルを用いて,直接関数呼び出しとReActポリシーに対するOODAツールの評価を行った。
  論文  参考訳（メタデータ） (2026-08-25T10:27:25Z)
• OLIVIA: Online Learning via Inference-time Action Adaptation for Decision Making in LLM ReAct Agents [74.20327254615854]
  大規模言語モデルエージェントは、シーケンシャルな意思決定タスクを解決するために、推論、行動選択、観察をインターリーブする。 LLMエージェントの既存の推論時間適応法は、主にプロンプトや検索に依存している。 提案するOLIVIAは,ReAct型エージェントのための推論時行動適応フレームワークである。
  論文  参考訳（メタデータ） (2026-05-11T19:28:20Z)
• Active Test-time Vision-Language Navigation [60.69722522420299]
  ATENAは、不確実なナビゲーション結果に対するエピソードフィードバックを通じて、実用的な人間とロボットのインタラクションを可能にする、テスト時のアクティブな学習フレームワークである。 特にATENAは、成功エピソードにおける確実性を高め、失敗エピソードにおいてそれを減らすことを学び、不確実性の校正を改善している。 さらに,自信ある予測に基づいて,エージェントがナビゲーション結果を評価することができる自己学習戦略を提案する。
  論文  参考訳（メタデータ） (2025-06-07T02:24:44Z)
• Learning to Use Tools via Cooperative and Interactive Agents [58.77710337157665]
  ツール学習は、外部ツールを使用してユーティリティを拡張するエージェントとして、大きな言語モデル(LLM)を促進する。 ツール選択,ツール実行,アクションキャリブレーションの3つの特別なエージェントを個別にコーディネートする,協調型対話型エージェントフレームワークであるConAgentsを提案する。 3つのデータセットに対する実験により、LLMは、ConAgentsを装備した場合、大幅に改善されたベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-03-05T15:08:16Z)

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。