論文の概要: Harness Self-Evolution for Long-Horizon Terminal Agents
- arxiv url: http://arxiv.org/abs/2610.27435v1
- Date: Tue, 20 Oct 2026 00:36:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.559698
- Title: Harness Self-Evolution for Long-Horizon Terminal Agents
- Title（参考訳）: 長距離終端剤のハーネス自己進化
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 44.784419917476214
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-horizon terminal agents may solve a task in one run yet fail across repeated runs. Stochastic errors can propagate through actions and context, creating a gap between capability and reliable execution. We present RiseHarness, a framework for iteratively improving agent harnesses with model weights fixed. It focuses on flipping tasks with both successful and failed runs under the same configuration, using successful runs as references for failure analysis. RiseHarness combines agent trajectories with internal harness traces from a runtime monitor to examine how model actions interact with command execution, feedback, context management, and completion decisions. A Harness Handbook links this evidence to harness behaviors and source code, helping identify recurring problems in mechanisms shared across tasks. RiseHarness then searches other harness frameworks for relevant implementations and adapts them as design references to the current model and execution protocol. Candidate changes undergo behavioral checks and repeated task evaluation; versions with measured gains seed the next iteration. This loop integrates suitable mechanisms from different frameworks into a single harness and uses new execution evidence to guide further changes. We evaluate task success and reliability across models, ablate harness execution evidence and external research, and test transfer to unseen benchmarks with the same model. RiseHarness treats a specific model as the unit of harness adaptation, studying how changes to shared interaction mechanisms can make existing capabilities more reliable across tasks.
- Abstract（参考訳）: ロングホライゾン端末エージェントは、1回のランでタスクを解決できるが、繰り返しランで失敗する。
確率的エラーはアクションとコンテキストを通じて伝播し、能力と信頼性のある実行の間にギャップを生じさせる。
モデル重みを固定したエージェントハーネスを反復的に改善するフレームワークであるRiseHarnessを紹介する。
成功と失敗の両方でタスクを切り替えることに重点を置いており、障害解析のリファレンスとして成功した実行を使用する。
RiseHarnessはエージェントのトラジェクトリとランタイムモニタの内部ハーネストレースを組み合わせることで、モデルアクションがコマンドの実行、フィードバック、コンテキスト管理、完了決定とどのように相互作用するかを調べる。
Harness Handbookは、この証拠を行動とソースコードの活用にリンクし、タスク間で共有されるメカニズムの繰り返しの問題を特定するのに役立つ。
RiseHarnessは、関連する実装のための他のハーネスフレームワークを検索し、それらを現在のモデルと実行プロトコルの設計リファレンスとして適用する。
行動チェックと繰り返しタスク評価の実施による候補変更 – 測定値のあるバージョンは,次のイテレーションでシードされる。
このループは、異なるフレームワークから適切なメカニズムを単一のハーネスに統合し、新しい実行エビデンスを使用して、さらなる変更をガイドする。
我々は、モデル間のタスク成功と信頼性を評価し、実行証拠と外部研究を緩和し、同じモデルで未確認のベンチマークにテスト転送する。
RiseHarnessは、特定のモデルをハーネス適応の単位として扱い、共有インタラクションメカニズムの変更がタスク間で既存の機能をより信頼性を高める方法を研究する。
関連論文リスト
- AlphaDiana: A Measurement System for Agents in Verifiable Reasoning Tasks [70.52860945958031]
我々は、データセット、エージェント、環境、スコアラーの計測システムであるAlphaDianaを紹介する。
5つの回答ベースベンチマークで3つのオープンソースモデルと3つのオープンソースハーネスについて検討する。
ハーネスは推論の精度を常に改善しないことがわかった。
論文 参考訳（メタデータ） (2026-10-14T14:04:48Z) - 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) - 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) - Ecdysis: Efficient and Effective Training of Runtime Harnesses for LLM Agents [25.41577484327689]
自己進化型ランタイムハーネスは、大規模言語モデル(LLM)エージェントの機能を大幅に改善することができる。
既存のハーネス進化法は反復探索に依存し、候補ハーネスの繰り返し評価と修正を行う。
Ecdysisは、モデル固有の宿泊施設と系統的なハーネス不足を区別する効率的かつ効果的なフレームワークである。
論文 参考訳（メタデータ） (2026-09-10T15:09:08Z) - HarnessDev: Can LLMs Create and Evolve Their Own Agent Harness? [61.02699867449589]
評価単位をタスク出力から実行インフラストラクチャにシフトするベンチマークであるHarnessDevを紹介します。
Creationでは、エージェントは最小限のシードと少数のケースから始まり、完全な実行システムを構築する。
Evolutionでは、独自のハーネスから始まり、ベンチマークのパフォーマンス向上を目標として、下流の実行フィードバックを使用して反復的に修正する。
論文 参考訳（メタデータ） (2026-09-01T15:45:33Z) - HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution [11.431479238875712]
我々は、信頼できるエージェントの自己進化を実現するために、参照軌道から学習する自己進化フレームワークであるHarnessEvolveを紹介する。
私たちは、さまざまなモデルとエージェントフレームワークを使用して、オープンドメインとエンタープライズシナリオにまたがるいくつかのベンチマークで広範な実験を行います。
結果は、HarnessEvolveがすべてのベンチマークと設定で、最先端のベースラインを一貫して上回っていることを示している。
論文 参考訳（メタデータ） (2026-09-01T07:31:18Z) - TTHE: Test-Time Harness Evolution [50.26245555541721]
既存のアプローチでは、デプロイ前、トレーニング前、あるいはテスト時に凍結される固定されたエージェントワークフローの開発データを最適化する。
我々は、エージェントがテスト入力で生成するラベルのない実行トレースのみを使用して、評価自体にハーネスを最適化できるかどうかを問う。
評価中、TTHEは候補ハーネスの人口を維持し、それらの実行トレースの理由をエージェントプロジェクタを通じてそれらを洗練する。
その後、審査員は実行元プロキシ信号から改善されたハーネスをコミットし、選択したプログラムは継続してその後の入力を統治する。
論文 参考訳（メタデータ） (2026-07-09T05:53:39Z) - From Question Answering to Task Completion: A Survey on Agent System and Harness Design [67.8241530947325]
本研究はモデルハーネスレンズを用いてLCMをベースとしたエージェントについて検討する。
まず, LLMをベースとしたエージェントを基礎モデルと実行ハーネスとして, エージェントの機能的定義と実装の視点を明らかにする。
次に、モデル中心のスケーリングの限界を分析し、エージェントエンジニアリングの4つのパラダイムをトレースし、実行ハーネスを6つの結合ランタイム責任に分解する。
論文 参考訳（メタデータ） (2026-06-14T05:40:16Z) - Harness-Bench: Measuring Harness Effects across Models in Realistic Agent Workflows [18.6534256358905]
本稿では,リアルエージェントシステムにおける構成レベルのハーネス効果を評価するための診断ベンチマークであるHarness-Benchを紹介する。
ベンチマークには、実用的なエージェント使用パターンから構築された106のサンドボックス化されたオフラインタスクが含まれている。
5,194個の実行軌道にまたがって、完了、プロセス品質、効率、障害挙動のかなりの変化を観察する。
論文 参考訳（メタデータ） (2026-05-27T03:47:35Z)
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。