論文の概要: KPHarness: Co-Evolving Knowledge and Probing for Long-Horizon Gaming Harnesses
- arxiv url: http://arxiv.org/abs/2610.27417v1
- Date: Tue, 20 Oct 2026 00:12:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.556818
- Title: KPHarness: Co-Evolving Knowledge and Probing for Long-Horizon Gaming Harnesses
- Title（参考訳）: KPHarness: 長期ゲーミングハーネスのための知識と証明の共進化
- Abstract要約: KPHarnessは、知識提供の共進化を通じて凍結した視覚言語-行動モデルの外部実行ハーネスに適応する。
回復知識は、活動的な探索を導く文脈特異的な介入仮説を提供する。
KPHarnessは、蓄積された知識と証拠を境界付きハーネス修正に変換する緩やかな研究ループから、高速なポリシー実行を分離する。
- 参考スコア（独自算出の注目度）: 12.024441692477586
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A failed gaming trajectory reveals that an agent needs intervention, but not necessarily how its execution harness should change. Effective harness adaptation therefore requires gathering diagnostic evidence, rather than merely proposing alternative recovery rules. We present KPHarness, a framework that adapts the external execution harness of a frozen vision-language-action model through knowledge-probing co-evolution. Recovery knowledge supplies context-specific intervention hypotheses that guide active probing; probe outcomes reveal when these hypotheses apply and provide evidence for refining both recovery knowledge and later probe selection. This reciprocal process allows the harness to improve not only which interventions it applies, but also how it investigates failures. KPHarness separates fast policy execution from a slow research loop that translates accumulated knowledge and probing evidence into bounded harness revisions. Each revision is compared with the incumbent under matched sandbox conditions and accepted only when the paired evaluation shows improvement. Recoveries supported by further validation are retained for cross-task reuse, while immediate interaction feedback and delayed episode-success credit update action- and knowledge-probing policies during adaptation. Experiments on Minecraft tasks spanning mining, combat, and crafting show improved task coverage over bare policy execution, a manually specified fixed harness, and knowledge-only harness evolution with non-adaptive probing. Evaluation on previously unseen tasks further shows improved task completion with the evolved harness, knowledge bank, and probing policies held fixed,
- Abstract（参考訳）: 失敗したゲーム軌道は、エージェントが介入を必要とすることを明らかにするが、その実行ハーネスがどう変わるべきかは必ずしも明らかにしない。
したがって、効果的なハーネス適応には、単に代替の回復規則を提案するのではなく、診断証拠の収集が必要である。
KPHarnessは、知識提供の共進化を通じて凍結した視覚-言語-行動モデルの外部実行を適応するフレームワークである。
調査結果は、これらの仮説がいつ適用されたかを明らかにし、回復知識と後のプローブ選択の両方を精査する証拠を提供する。
この相互プロセスにより、ハーネスはどの介入を適用するかだけでなく、障害の調査方法も改善できる。
KPHarnessは、蓄積された知識と証拠を境界付きハーネス修正に変換する緩やかな研究ループから、高速なポリシー実行を分離する。
各リビジョンは、一致したサンドボックス条件下での現物と比較され、ペア評価が改善した場合にのみ受け入れられる。
さらなる検証によってサポートされたリカバリは、クロスタスクの再利用のために維持され、即時インタラクションフィードバックと遅延したエピソード更新アクションと、適応中の知識提供ポリシーが維持される。
マイニング、戦闘、工芸にまたがるMinecraftのタスクの実験では、素のポリシー実行よりもタスクカバレッジが改善され、手動で指定された固定ハーネス、非適応的な探索による知識のみのハーネスが向上した。
未確認タスクの評価は、改良されたハーネス、知識銀行、固定された検証ポリシーによるタスク完了の改善を示している。
関連論文リスト
- Harness Self-Evolution for Long-Horizon Terminal Agents [44.784419917476214]
RiseHarnessは、モデルウェイトを固定したエージェントハーネスを改善するためのフレームワークである。
成功と失敗の両方を同じ構成下で実行することでタスクを切り替えることに重点を置いている。
論文 参考訳（メタデータ） (2026-10-20T00:36:49Z) - EnactOpt: Diagnosis-Guided Harness Evolution for Embodied Agents [16.436363329468517]
基礎モデル上に構築されたエージェントは、観察を組織化し、アクションをガイドし、実行フィードバックをその後の決定に組み込むための実行ハーネスに依存している。
EnactOptは、限られた実行フィードバックを使って再利用可能なテキストスキルとコンテキストコンストラクションコードを共同で進化させ、基盤となるモデルとランタイムを固定します。
VLABench、ALFWorld、Embodied Agent Interface (EAI)全体で、EnactOptは初期ハーネスよりもタスク成功率を約10～27ポイント向上し、評価されたEPA、TextGrad、Trace2Skillベースラインを上回っている。
論文 参考訳（メタデータ） (2026-10-10T14:51:25Z) - VeriFine: Scaling Verification for Self-Improvement in Embodied Reasoning [80.69185348729495]
我々は,政策の共進化,訓練カリキュラム,審査を通じて検証をスケールする枠組みを導入する。
ポリシー改善ループは、繰り返し発生する障害を診断し、適応的なカリキュラムを構築し、ポリシーを最適化するためにルーリックな判断を使用する。
運転およびロボットナビゲーションタスクの実験は、ポリシーと判断能力の両方において継続的な自己改善を示す。
論文 参考訳（メタデータ） (2026-10-06T17:50:29Z) - Credit-Guided Policy Improvement for Test-time Adaptive Vision-Language Navigation [53.30116823667751]
視覚言語ナビゲーションのためのテスト時適応(TTA-VLN)により、事前訓練されたポリシーは、目に見えない環境にオンラインで適応できる。
分散シフトは、局所的な行動選好を歪め、オフコース決定につながる可能性がある。
我々は,行動誘発観察遷移から署名付き参照関連決定クレジットを回収する信用誘導政策改善(CGPI)を提案する。
論文 参考訳（メタデータ） (2026-09-29T13:46:11Z) - Harness Learning Enables Generalizable Test-Time Adaptation [75.12882372844764]
本稿では,提案手法を学習し,提案手法を学習し,提案手法を改良するハーネス学習を提案する。
我々は、改良されたハーネスのタスクパフォーマンスを報奨として、強化学習で提案者を訓練する。
推論とマルチホップ質問応答の実験は、学習の活用によってリビジョン品質が向上し、テストタイムで適応する能力が見当たらないタスクに適応することを示した。
論文 参考訳（メタデータ） (2026-09-28T17:52:54Z) - Safety in Self-Evolving Agents: A Survey [65.20955577335691]
大きな言語モデル(LLM)は強力な汎用能力を示すが、そのパラメータは通常、デプロイ後に固定され、新しいインタラクションからの学習が制限される。
経験が再利用可能な状態になり、過去の出来事が将来の原因になり、ある文脈で無害な情報が後により大きな永続性、権威、あるいは範囲で決定に影響を与える可能性がある。
私たちは、再利用可能な影響を特定する移行中心のフレームワークであるSAVERを導入し、Adaptationは変更の仕方を捉え、Violationは破損した安全属性を特定し、障害が観測可能な露出マークを識別し、Responseは封じ込め、修復、取り消しを評価します。
論文 参考訳（メタデータ） (2026-09-08T05:04:40Z) - EVOHARNESSBENCH: Can Your Agents Keep Pace with an Evolving Harness? [83.21711423118768]
EVOHARNESSBENCHは、制御されたハーネス進化下でエージェントを評価するためのベンチマークである。
検証器ベースのベンチマークから決定的に構築された17のマルチステージハーネスストリームを含んでいる。
論文 参考訳（メタデータ） (2026-09-03T03:24:02Z) - Harness Continual Learning: Continual Adaptation Beyond Model Parameters [9.54786133734043]
我々は、凍結基盤モデルを中心にハーネスが進化する新しい連続学習パラダイムを定式化する。
候補者は、現在の改善、履歴保持、有効性を確認した後にのみハーネスをコミットする。
実験では、複数の設定で対応するベースラインに対して、相対的なゲインが10%を超える能力の蓄積と障害回復が示されている。
論文 参考訳（メタデータ） (2026-08-19T15:12:31Z) - Diagnose, Recover, Certify: Task Readiness under Hidden Dynamics Changes [10.10742501508043]
本稿では,アクティブチェンジ診断とポストチェンジ制御の回復を統一する決定問題である,休息時ダイナミクスドリフトにおけるタスクの即応性を導入する。
Evidence-Gated Matched-Pulse Transport(英語版)を提案する。
複数のシミュレーターにまたがる様々なドミナント・アクチュエーター・ベンチマークで、その結果のフレームワークを評価する。
論文 参考訳（メタデータ） (2026-07-30T12:30:16Z) - Rethinking the Evaluation of Harness Evolution for Agents [83.07258924910069]
既存のハーネス進化法では、単体テストケースを使用してハーネス構成を検索し、同じ公開ベンチマークで最終的なパフォーマンスを報告している。
このプロトコルは2つの基本的な懸念を提起する。
エージェントによるテスト時間スケーリングと同様に、一致したフィードバックと推論予算の下で単純なタスクレベルの検索ベースラインと比較すべきである。
論文 参考訳（メタデータ） (2026-07-14T00:18:42Z) - Measuring Harness-Induced Belief Divergence in Multi-Step LLM Agents [0.05371337604556311]
タスク,環境,基本LPMが固定された場合でも,ソフトウェアエージェントハーネスがエージェントのマルチステップ信念を変えることができることを示す。
我々は,K段軌道の進行,リスク,回復可能性,制約,障害モード,不確実性,今後の成功,修理コスト,代替ハーネスの下での次の行動について,構造的K段軌道を付与する信念ロールアウト診断を導入する。
論文 参考訳（メタデータ） (2026-07-05T22:22:39Z)
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。