論文の概要: Over-Defense in Coding Agents Begins at Silent Forks

• arxiv url: http://arxiv.org/abs/2610.24949v1
• Date: Sun, 18 Oct 2026 01:56:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-25 07:35:19.465523
• Title: Over-Defense in Coding Agents Begins at Silent Forks
• Title（参考訳）: サイレントフォークにおけるコーディングエージェントの過密度
• Abstract要約: 私たちは、タスクが両方を逃がすために必要なもの以上の防御行動を見つける。 提案手法であるForkDPOは,所要行動の両側の静かなフォークにおいて,同じ接頭辞において比例作用と不均等作用を対比する。 4Bモデルの不均等な振る舞いを70.3%から58.9%に低下させ、ランダムに選択された回転でDPOの67.7%を減少させる。
• 参考スコア（独自算出の注目度）: 7.840054250271567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Language models behind coding agents are post-trained with outcome rewards, and recent methods concentrate credit on the turns that decide the outcome. We find that defensive actions beyond what a task requires escape both. They begin at silent forks, the turns where every next action leads to the same outcome. Such actions leave the success rate unchanged, and frontier models take the disproportionate branch there in up to 91% of decisive actions under implicit budgets. The most direct fix, a checker in the trajectory reward, reaches these forks only through fully proportionate trajectories, leaving 74% of GRPO groups with identical rewards and behavior unchanged. This motivates a rethink of where learning signals belong, namely where behavior diverges, which a behavioral checker can locate and the outcome cannot. Our method, ForkDPO, contrasts a proportionate and a disproportionate action at the same prefix, at silent forks on both sides of the required behavior. On a test set of unseen repositories, it lowers a 4B model's disproportionate behavior from 70.3% to 58.9%, against 67.7% for DPO at randomly chosen turns, establishing behavioral divergence as a learning signal for how agents act beyond whether they finish. The code is publicly available at https://github.com/Astarojth/silent-forks.
• Abstract（参考訳）: コーディングエージェントの背後にある言語モデルは、結果の報奨によって後から訓練され、最近の手法は結果を決定するターンにクレジットを集中する。 我々は、タスクが両方を逃がすために必要なもの以上の防御行動を見つける。 それらはサイレントフォークで始まり、次のアクションがすべて同じ結果をもたらすターンである。 このような行動は成功率を変わらないままにし、フロンティアモデルは、暗黙の予算の下で決定的な行動の最大91%で不均衡な分岐を取る。 最も直接的な修正は、軌道報酬のチェッカーであり、完全に比例した軌道によってのみこれらのフォークに到達し、GRPOグループの74%が同じ報酬と振舞いを持つ。 これは、学習信号がどこにあるかを再考する動機であり、行動チェッカーが特定でき、その結果が得られない振る舞いが分岐する場所である。 提案手法であるForkDPOは,所要行動の両側の静かなフォークにおいて,同じ接頭辞において比例作用と不均等作用を対比する。 未確認のリポジトリのテストセットでは、4Bモデルの不均等な振る舞いを70.3%から58.9%に下げ、ランダムに選択されたターンでDPOが67.7%に減らし、エージェントが終了するかどうかの学習信号として振る舞いの分岐を確立する。 コードはhttps://github.com/Astarojth/silent-forks.comで公開されている。

関連論文リスト

• ANTE: Anticipate, Then Execute -- Learning Internal World Models for Coding Agents from Verified Beliefs [13.777878326510338]
  本稿では、実際の実行によってポリシーの事前動作予測を検証するエージェントRLフレームワークであるANTEを提案する。 各行動の前に述べられた内的信念により、Belief-Anchored Policy Optimization (BAPO) は、解決された予測をステップごとの利点に変換する。 私たちは、何が起きたのか、今何を保持し、次に何を達成するかを知るコードワールドモデルを構築することを目指しています。
  論文  参考訳（メタデータ） (2026-10-11T05:46:07Z)
• Self-Retrospection Distillation: Turning Post-hoc Experiences into Prior Foresight [69.33075666165205]
  検証可能な報酬(RLVR)による強化学習は、エージェント体験を学習信号に変換する。 自己検査蒸留(Self-Retrospection Distillation, SRD)は、特権のある後見を同じ方針の軌跡の目視に蒸留する。 以上の結果から,ポストホックエージェント体験は,行動の評価や改善だけでなく,対話に先立って予測表現を形成する上でも有用であることが示唆された。
  論文  参考訳（メタデータ） (2026-10-06T10:06:47Z)
• Noise Out, Bias In: Targeted Bias Injection in Diffusion Language Models via Closed-Loop Activation Steering [9.414465072912417]
  マスク付き拡散言語モデル (dLLMs) は、マスキング位置を反復的に認知することでテキストを生成する。 内部アクティベーションにアクセスした相手は、モデルが選択した回答を生成する可能性を確認することができる。 本研究は, 凍結したdLLMを相手が選択した人口統計学的回答に向けて誘導する攻撃である, ターゲットバイアス注入について検討した。
  論文  参考訳（メタデータ） (2026-10-05T07:10:33Z)
• How to Speculate about Uncertainty in Agentic Coding? A Draft-Model Gate Method [4.37919186746582]
  ブラックボックスエージェントの予測故障信号を復元する手法である投機的不確実性(SU)を提案する。 我々は、推論とアクションスパンを分離して位相認識の特徴を抽出し、検証対象に対して校正する。 SUは、ルーティング、人間の介入、テストタイムの余分な計算など、ダウンストリームポリシーが直接的に消費できる、障害に似たスコアを生成する。
  論文  参考訳（メタデータ） (2026-09-04T15:30:22Z)
• The Replay Gap: Static Evaluation of Model Switching in LLM Agents Scores the Wrong World [0.0]
  LLMルータは、各要求を最も安価な適切なモデルに合わせることで効率を約束し、マルチステップエージェント内のステップごとに適用されるようになっている。 しかし、エージェントルータはシングルターンルータのように評価され、ログ付きトラジェクトリを再生し、他のモデルの出力を置換することで評価される。 我々は,SWE-benchエージェントを制御点にフォークし,環境を再構築し,各フォークを異なるモデルで継続し,サンプリングと再生を分離する同モデル制御フォークと比較する。
  論文  参考訳（メタデータ） (2026-08-08T17:07:11Z)
• Doomed from the Start: Early Abort of LLM Agent Episodes via a Recall-Controlled Probe Cascade [14.63102636181275]
  大規模言語モデル(LLM)エージェントは、既に失敗する運命にある複数ステップの軌道を継続することで、推論計算を無駄にすることが多い。 隠れ状態プローブを用いたLSMエージェントの早期故障予測と推定時早期停止について検討した。 LLMエージェント推論コストを削減するために,この信号をリコール制御された中止カスケードに変換する。
  論文  参考訳（メタデータ） (2026-07-07T17:03:55Z)
• SABER: Small Actions, Big Errors -- Safeguarding Mutating Steps in LLM Agents [52.20768003832476]
  我々は$$-Bench (Airline/Retail) および SWE-Bench Verified 上での実行トレースを分析する。 成功を失敗に戻すための、先進的な逸脱、最初期の行動、レベル分岐を形式化する。 モデルに依存しない,勾配のない,テスト時のセーフガードである cm を導入します。
  論文  参考訳（メタデータ） (2025-11-26T01:28:22Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Bandit Social Learning: Exploration under Myopic Behavior [54.767961587919075]
  オンラインプラットフォーム上でのレビューによって動機付けられた社会学習のダイナミクスについて検討する。 エージェントはまとめて単純なマルチアームのバンディットプロトコルに従うが、各エージェントは探索を伴わずにミオプティカルに振る舞う。 このような振る舞いに対して,スターク学習の失敗を導出し,好意的な結果を提供する。
  論文  参考訳（メタデータ） (2023-02-15T01:57:57Z)

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。