論文の概要: NIOCIS: Typed-Decision Next-Hop Routing with Node-Conditioned Option Spaces for Tool-Use Agents

• arxiv url: http://arxiv.org/abs/2610.25985v1
• Date: Mon, 19 Oct 2026 08:10:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:00:13.031228
• Title: NIOCIS: Typed-Decision Next-Hop Routing with Node-Conditioned Option Spaces for Tool-Use Agents
• Title（参考訳）: NIOCIS: ツール使用エージェントのためのノード指定オプションスペースによるタイプ決定次ホップルーティング
• Abstract要約: 本稿では,実行ログをループ崩壊したアクショングラフに折り畳むルーティング層を提案する。 NioCISは次のような質問に答えている。 1,615のプロダクションセキュリティ運用エピソードでは、レイヤが置き換え、返却し、バウンドされるものを測定します。
• 参考スコア（独自算出の注目度）: 5.2278837459229495
• License:
• Abstract: Tool-use agents pay per decision: at each hop a language model re-reads the state and thinks for seconds, though its actions are finite and decisions recur. We present NIOCIS, a routing layer that folds execution logs into a loop-collapsed action graph (forward transitions plus recovery back-edges) answering one typed question: which declared option at a state, plus stop, does the fleet take next? A small model reads a calibrated distribution over them in one pass, emitting no text. On 1,615 production security-operations episodes we measure what the layer replaces, returns and is bounded by. Replaces: the typed encoder matches the logged next hop on 32.2% of the 3,875 held-out decisions (34.9% within the declared options) in 10 ms of encoder time (19.5 ms for the typed-choice form), against 2.2 s per LLM hop; two feature readouts reach 32.8% and 32.3%, an ordering the paired test does not resolve, so the typed layer is chosen for cost, not a separated lead. Tuning: jpt-4b reaches 9.9% zero-shot and 31.9% fine-tuned, a gap an exact paired test does not resolve (p=0.68), at 244 ms. Returns little: the realised hop falls outside the declared options for 7.9% of decisions and outside the model's top twenty for 9.3%; the most confident 15% holds 91.9% accuracy. Bounded: a cross-trace leave-one-out test puts the released state's ceiling at 25.6--44.9% as the state key grows more specific, i.e. repeated states disagree more often than they agree; the option-space ablation attributes the gain to per-node candidate restriction (+3.5 points over a flat catalog) rather than graph traversal (zero within its interval); a gated self-evolution loop lifts every arm above its anchor yet ends below full supervision; a confidence-gated cascade loses agreement when the escalation arm is the zero-shot stand-in; and agreement past a third of the fleet needs a state carrying the plan and the observation.
• Abstract（参考訳）: 各ホップで言語モデルが状態を読み直し、数秒間考えるが、その動作は有限であり、決定は再帰する。 NIOCISは、実行ログをループ崩壊したアクショングラフ(前方移行とリカバリバックエッジ)に折り畳むルーティングレイヤで、1つの型付き質問に答えます。 小さなモデルは、キャリブレーションされた分布を1つのパスで読み出し、テキストを出力しない。 1,615のプロダクションセキュリティ運用エピソードでは、レイヤが置き換え、返却し、バウンドされるものを測定します。 置き換え: 型付きエンコーダは、32.2%で記録された次のホップと一致し(宣言されたオプションの中で34.9%)、10ミリ秒のエンコーダ時間(型付きチョイス形式では19.5ミリ秒)、LLMホップ当たり2.2秒、特徴読み出しは32.8%と32.3%となり、ペアテストの順序は解決せず、型付きレイヤーは分離された鉛ではなくコストで選択される。 チューニング: jpt-4b は 9.9% のゼロショットと 31.9% の微調整で、正確なペアテストのギャップは解決しない (p=0.68) が、244 ms である。 境界線: クロストレースの1回のテストでは、解放された状態の天井が25.6-44.9%に設定され、状態キーがより具体化され、すなわち、繰り返し状態が合意されるよりも頻繁に矛盾する。オプション空間のアブレーションは、グラフトラバーサル(その間隔内ではゼロ)よりもノード単位の候補制限(+3.5ポイント)に起因している、ゲート自己進化ループはアンカーの上のすべての腕を持ち上げるが、完全な監督下にある、自信を持ったカスケードは、エスカレーションアームがゼロショットのスタンドインであるときに合意を失う、そして、艦隊の3分の1が計画と観察を行う状態を必要とする、などである。

関連論文リスト

• Continuous Process-Level Evaluation for Evolving Enterprise AI Agent Skills [0.39508022083907385]
  結果レベルとプロセスレベルのチェックを組み合わせた継続的評価フレームワークを提案する。 我々は,2つのスキル,2つの仕様変種,2つのエージェントハーネス,3つのモデルに対する240の試行を評価した。
  論文  参考訳（メタデータ） (2026-10-01T15:06:23Z)
• AGO AI Quality Gate: Evidence-First Release Decisions for Retrieval-Augmented Generation [35.18016233072556]
  AGO AI Quality Gateは、産業RAGアセスメントエンゲージメントにデプロイされるエビデンスファーストの品質ゲートフレームワークである。 AGOは4つの重要なコンポーネントを統合している。データ不足を処理し、エラーを明確な結果として判断する4状態決定モデルだ。 RAGBenchは、12データセットにわたる100kの注釈付きRAGトレースの公開ベンチマークである。
  論文  参考訳（メタデータ） (2026-10-01T07:24:04Z)
• Fast Models, Slow Evidence: A Paired and Self-Audited Evaluation of System-1 Decision Models for LLM Agent Harnesses [6.778374627376906]
  System-1決定モデルは、クラス確率で単一のフォワードパスでそのような質問に答える。 オープンウェイト (Laya) モデルとホスト (Jev) System-1 モデルとのペア評価を行った。
  論文  参考訳（メタデータ） (2026-10-01T05:57:14Z)
• PROOF: Profiling Reliability of Object-Level Facts in Large Language Models [33.72751145910978]
  PROOFは、命令調整言語モデルにおける事実カバレッジのためのプロファイル指向のベンチマークである。 各質問には、明示的な"I don't know"オプション、"No correct option"コントロール、および9つの制御された定式化がある。 我々は166,374個のオープンウェイトモデル配置を18個のオープンウェイトモデル配置で評価し,各プロンプトと固定10%のサブセットで個別にパーターブデコーディングを行う。
  論文  参考訳（メタデータ） (2026-08-24T17:13:25Z)
• DarwinX: Evolving Agent Harnesses Through Natural Selection [48.64258219266629]
  ダーウィンXは自己進化を、モデルが凍結されたハーネスの集団の選択として扱う。 一般的なエージェント能力はベンチマーク固有のパッチではなく、タスク、検証、ベースモデルの変更を生き残る。
  論文  参考訳（メタデータ） (2026-07-31T05:34:02Z)
• Operational Proto-Introspection in Looped Language Models: Process-Quality Taps, Executable Branching, and the Readout-Control Boundary [0.0]
  言語モデルは、進行中の計算の質を読み取ることができるか? 外部介入は、その読み出しをより良い結果に変えることができるか? 凍結した2.6Bループ変換器,Ouro-RLTTで両質問を検証した。
  論文  参考訳（メタデータ） (2026-07-20T22:40:36Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• CRANE: Constrained Reasoning Injection for Code Agents via Nullspace Editing [5.661334639541121]
  CRANEは、シンキング・インストラクトデルタを、インストラクトバックボーンの候補推論編集のプールとして扱う、トレーニング不要なパラメータ編集手法である。 ペア化されたインストラクトとシンキングのチェックポイントを組み合わせることで、CRANEはどちらのモデルよりも強力なゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-13T20:09:35Z)
• Adaptive Consensus in LLM Ensembles via Sequential Evidence Accumulation: Automatic Budget Identification and Calibrated Commit Signals [0.0]
  DASEは、ベンチマークをまたいで一般化するコミット型ルーティングパーティションを生成する。 インジェクション帯域ではなく、適応的な停止が正確さを駆動する。 インジェクションベースの手法は、逆Uの精度-vs-推論軌道を示す。
  論文  参考訳（メタデータ） (2026-05-05T19:24:10Z)
• SpecDec++: Boosting Speculative Decoding via Adaptive Candidate Lengths [41.863092939498316]
  投機的復号化は、より小さくより高速なドラフトモデルを利用することで、ターゲットとする大言語モデルの推論遅延を低減する。 候補長Kの選択について検討し、マルコフ決定過程として定式化する。 この理論によって動機付けられたSpecDec++は、投機的復号法の拡張版で、ハエの候補長を適応的に決定する。
  論文  参考訳（メタデータ） (2024-05-30T05:49:38Z)

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。