論文の概要: GuideEvolve: Self-Evolving Agent Framework with Expert Guidance and 3Ts Mechanisms

• arxiv url: http://arxiv.org/abs/2610.30017v1
• Date: Wed, 21 Oct 2026 16:46:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.415193
• Title: GuideEvolve: Self-Evolving Agent Framework with Expert Guidance and 3Ts Mechanisms
• Title（参考訳）: GuideEvolve: エキスパートガイダンスと3Tメカニズムを備えたセルフ進化エージェントフレームワーク
• Abstract要約: GuideEvolveは、専門家のガイダンスと3つの自律的な規制機構を組み込んだ、自己進化型エージェントフレームワークである。 現在の最先端モデルに匹敵するパフォーマンスメトリクスを実現する。 100%の進化成功率を達成し、ベースラインの82%よりも優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This study introduces GuideEvolve, a self-evolving agent framework incorporating expert guidance and three autonomous regulatory mechanisms, collectively termed the 3Ts: Think Fast and Slow, Throwback, and Termination by choice. The framework addresses critical limitations in extant self-evolving agent paradigms through dual innovations: (1) a task-specific expert-evaluation-driven evolutionary pipeline, and (2) the integration of 3Ts mechanisms to facilitate cognitive optimization, performance recovery via temporal rollback, and adaptive termination protocols. Empirical validation across the MGSM and MMLU benchmarks demonstrates that GuideEvolve attains performance metrics comparable to current state-of-the-art models (89.8% accuracy versus Gödel Agent's 90.6% on MGSM; 89.1% versus 87.9% on MMLU), while exhibiting notably reduced variance (25-59%) and enhanced robustness. Furthermore, the framework achieves a 100% evolution success rate, superior to the baseline's 82%, diminishes required optimization iterations by approximately 50% (from 30 iterations in baseline to 15.1 and 13.4 across tasks), and provides improved stability for production deployment.
• Abstract（参考訳）: この研究は、専門家の指導と3つの自律的な規制機構を組み込んだ自己進化型エージェントフレームワークである GuideEvolveを紹介し、まとめて3Ts(Think Fast and Slow, Throwback, Termination by choice)と呼ぶ。 このフレームワークは,(1)タスク固有の専門家による進化的パイプライン,(2)認知最適化を促進する3Ts機構の統合,時間的ロールバックによるパフォーマンス回復,および適応終了プロトコルの2つのイノベーションを通じて,既存の自己進化エージェントパラダイムにおける重要な制限に対処する。 MGSM と MMLU のベンチマークによる実証的な検証では、 GuideEvolve は現在の最先端モデル(Gödel Agent の 90.6% に対して 89.8% が MGSM で 89.1% が 87.9% に対して MMLU では 89.1% が 89.9% の精度)に匹敵するパフォーマンスの指標を達成できたが、その一方で、顕著な分散 (25-59%) と頑健さの強化が示されている。 さらに、このフレームワークは、ベースラインの82%よりも100%進化の成功率を実現し、必要な最適化イテレーションを約50%減らし(ベースラインの30イテレーションからタスクの15.1と13.4まで)、プロダクションデプロイメントの安定性を改善している。

関連論文リスト

• APEX: Adaptive Principle EXtraction A Three-Layer Self-Evolution Framework for Production AI Agents [0.0]
  AIエージェントの自己改善は、重要な研究フロンティアとして現れている。 同時に進化する3層共進化フレームワークであるAPEXを提案する。 その結果,多次元共進化は単一軸ハーネス最適化を著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2026-06-13T15:47:27Z)
• When Web Apps Heal Themselves: A MAPE-K Based Approach to Fault Tolerance and Adaptive Recovery [0.0]
  本研究では,共有知識ベース上でのモニタ・アナライズ・プラン実行に基づくモジュール型自己修復フレームワークを提案する。 適応的な障害回復のためのAutoFixにインスパイアされたメカニズムと統合されている。 提案されたフレームワークは、F1スコアの平均90.7%、リカバリ成功率93.2%を達成した。
  論文  参考訳（メタデータ） (2026-05-19T02:17:24Z)
• When to Retrieve During Reasoning: Adaptive Retrieval for Large Reasoning Models [13.891522069967507]
  本稿では、推論対応検索フレームワークReaLM-Retrieveを紹介する。 ステップレベルの不確実性検出は、トークンや文レベルではなく、推論ステップで知識ギャップを識別する。 検索介入政策は、外部証拠が進行中の推論に最大限の利益をもたらすことを学習する。
  論文  参考訳（メタデータ） (2026-04-29T13:15:44Z)
• Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing [26.102738613616456]
  Group-Evolving Agents (GEA)は、エージェントのグループを基本的な進化単位として扱う。 我々はGAAを、最先端の自己進化手法を著しく上回る、挑戦的なコーディングベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-02-04T18:29:36Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• SEEA-R1: Tree-Structured Reinforcement Fine-Tuning for Self-Evolving Embodied Agents [58.174206358223415]
  自己進化型エボダイドエージェント(SeEA-R1)は、自己進化型エボダイドエージェント用に設計された最初の強化微細調整フレームワークである。 本研究は,SEEA-R1が自律適応と報酬駆動型自己進化をサポートすることを示す。
  論文  参考訳（メタデータ） (2025-06-26T18:00:07Z)
• Evolving LLMs' Self-Refinement Capability via Synergistic Training-Inference Optimization [53.93621974137829]
  自己精製(Self-Refinement)とは、モデルが自身のレスポンスを改訂し、改善された出力を生成する能力を指す。 EVOLVEは、反復的なトレーニングを通じて自己精製の進化を導き、追跡するためのフレームワークである。 固有モデル能力のより広範な自己改善を実現するために自己改善を活用する可能性を実証する。
  論文  参考訳（メタデータ） (2025-02-08T15:21:55Z)

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。