論文の概要: Runtime Control for AI Agents: Closing the Evaluation--Execution Gap in Operational Workflows
- arxiv url: http://arxiv.org/abs/2610.27480v1
- Date: Tue, 20 Oct 2026 01:46:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.582315
- Title: Runtime Control for AI Agents: Closing the Evaluation--Execution Gap in Operational Workflows
- Title（参考訳）: AIエージェントのランタイム制御: 運用ワークフローにおける評価-実行ギャップのクローン化
- Abstract要約: 我々は、確率的測定を決定論的適応から分離する状態境界ランタイム保証層を規定する。
これは、事前承認の継続する妥当性と現在の政策チェックとを区別する。
スクリプト化された42ケースのリプレイでは、ステートバウンド構成は、意図せず再評価されるポイント・イン・タイムのコンパレータが再考しない15の非有意な承認を識別する。
- 参考スコア（独自算出の注目度）: 10.146493652317483
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Language-model agents increasingly participate in operational workflows where approvals, binds, and payments create commitments. An approval valid when issued may no longer authorize execution after relevant facts, evidence, policy, or authority change. We call this the evaluation--execution gap. We specify a state-bound runtime assurance layer that separates probabilistic measurement from deterministic adjudication, binds an execution allowance to the decision-relevant basis of an approval, invalidates that allowance after relevant logged changes, and rechecks admissibility at dispatch. This distinguishes the continued validity of a prior approval from a current-state policy check. We describe eight failure modes, an assurance model, a reference architecture, and prospective interventions with retrospective remediation. In a scripted 42-case replay, the state-bound configuration identifies 15 later-invalidated approvals that a deliberately non-re-evaluating point-in-time comparator does not revisit; it holds 14 affected actions before dispatch and compensates one landed effect. These results illustrate behavior under the stipulated policies and event orders, not superiority over dispatch-time enforcement designs or production effectiveness. Under explicit interception, ingestion, dependency, and serialization assumptions, the model establishes dispatch-time validity within the registered execution surface.
- Abstract（参考訳）: 言語モデルエージェントは、承認、バインド、支払いがコミットメントを生み出す運用ワークフローにますます参加します。
公布された場合の承認は,関連する事実,証拠,方針又は権限の変更後,執行を許可することができない。
これを評価-実行ギャップと呼んでいます。
我々は、確率的測定を決定論的判断から分離する状態境界ランタイム保証層を定義し、承認の判断関連ベースに実行許容度をバインドし、関連するログ変更後の許容度を無効化し、ディスパッチ時の許容度を再確認する。
これは、事前承認の継続する妥当性と現在の政策チェックとを区別する。
我々は,8つの障害モード,保証モデル,参照アーキテクチャ,およびレトロスペクティブの修正に関する今後の介入について説明する。
スクリプト化された42ケースのリプレイでは、ステートバウンド構成は、意図せず再評価されるポイントインタイムコンパレータが再起動しないという15の非有意義な承認を識別する。
これらの結果は、所定の方針やイベント命令の下での行動が、派遣時の実施設計や生産効率よりも優れているものではないことを示している。
明示的なインターセプション、取り込み、依存性、シリアライゼーションの仮定の下で、モデルは登録された実行面内でディスパッチ時間の有効性を確立する。
関連論文リスト
- KedgeFlow: A Programmable Control Plane for Enterprise AI Agents [2.124730017640531]
KedgeFlowは、状態変更操作を認可する信頼できるコントローラのための言語に依存しない契約を指定する。
OpenFlowにインスパイアされたOpenFlowは、エビデンスによってサポートされているポリシーチェックと、正確なアクションの署名された許可を接続する。
参照実装は、モデルコンテキストプロトコルを介してエージェントシステムにこの実行パスを公開する。
論文 参考訳（メタデータ） (2026-10-10T11:01:36Z) - Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models [87.94969284553706]
エンド・ツー・エンドのpass@$K$は、成功した振る舞いがベースモデルのディストリビューションにすでに現れるかどうかをテストする。
コールドスタートからハーネスを駆動するために、ベースチェックポイントを必要としない3つのスクリーンを構築します。
3つの画面はいずれも、ポストトレーニング後のSWE-bench Verified pass@$1$と密接に一致して、コホートをランク付けする。
論文 参考訳（メタデータ） (2026-10-07T17:37:19Z) - 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) - StateWise: Diagnosing and Repairing Persistent Operational State Before Agent Actions [40.67530816009153]
動作実行前に永続的な動作状態の診断と修復を行うためのフレームワークであるStateWiseを提案する。
腐敗した永続状態の下では、StateWiseは93.3%の全体的な正当性を達成するが、ベースラインエージェントは38.7%で安全でない。
論文 参考訳（メタデータ） (2026-10-04T14:12:18Z) - From Intent to Execution Grant: An Execution-Boundary Conformance Profile for High-Risk AI Actions [9.27474112226667]
EBL-Coreは、1つの標準的な、完全に実体化されたAI生成候補が、明示的な条件下でアクションスコープ実行権限を受け取ることができるかどうかを決定する。
拘束力、政策非監視、エビデンス処理、決定論的判断、検証、ライフサイクル行動の付与などである。
100回の試験で32回の同時再空輸試験が成功し、1回の試行で完全に1回成功し、テスト効果が保護された。
論文 参考訳（メタデータ） (2026-09-10T14:21:45Z) - From Trajectories to Evidence: Auditable Experimental Records for Industrial Research Agents [47.678562263387214]
研究エージェントは、産業レコメンデーション設定において、多段階の機械学習実験をますます実施している。
生成されたアーティファクトは、サポートされないか、不完全かもしれないし、実行されたラウンドは無効かもしれないし、あるいは廃止されるかもしれないし、後の修正は、以前の発見を曖昧にするかもしれない。
本稿では,連続的アーティファクトのバウンダリ検証と実行後のクレーム資格を結合するエビデンス・グラウンド・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-05T13:37:38Z) - When AI Agents Commit: Cognitive Serializability Across Data, Evidence, Policy, and Authority [2.124730017640531]
自律的なエージェントは、データベースの読み込み、証拠の回収、政策、信条、委任された権威から突然変異を導き出す。
トランザクション処理は、提案が実行可能なコントラクトを満たすかどうかを決定する。
Cognitive Serializabilityは、不変の実行可能な定義、レジストリ由来の権限計画、シールされたガードファーストコミットトランザクション、封筒後エンベロープ、証人限定の権限を組み合わせたものだ。
論文 参考訳（メタデータ） (2026-07-28T19:36:23Z) - Verify-Gated Completion as Admission Control in a Governed Multi-Agent Runtime: A Bounded Architecture Case Study [0.6875312133832079]
制御されたマルチエージェントランタイムの入出力制御パターンとして,検証ゲート補完について検討する。
観測条件下では,読み取り専用検証ゲートとパケット化入力記録が検査可能で,フェールクロースされた。
論文 参考訳（メタデータ） (2026-05-18T07:52:13Z) - ClawForge: Generating Executable Interactive Benchmarks for Command-Line Agents [59.626170560327274]
textbfClawForgeは、ステートコンフリクト下で実行可能なコマンドラインカテゴリのためのジェネレータベースのベンチマークフレームワークである。
私たちはこのフレームワークをClawForge-Bench(17のシナリオ、6の能力カテゴリ)としてインスタンス化します。
論文 参考訳（メタデータ） (2026-05-13T21:34:08Z) - Preventing the Collapse of Peer Review Requires Verification-First AI [49.995126139461085]
我々は、真理結合、すなわち、過度に科学的真理をトラックする場所のスコアの厳密さを提案する。
プロキシ・ソブリン評価に向けた相転移を駆動する2つの力の形式化を行う。
論文 参考訳（メタデータ） (2026-01-23T17:17:32Z)
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。