論文の概要: HGM-Dual: Lineage-Aware Guided Agent Harness Optimization for Long-Horizon Planning

• arxiv url: http://arxiv.org/abs/2610.30042v1
• Date: Wed, 21 Oct 2026 17:02:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.450965
• Title: HGM-Dual: Lineage-Aware Guided Agent Harness Optimization for Long-Horizon Planning
• Title（参考訳）: HGM-Dual:長距離計画のためのリニアジ対応エージェントハーネス最適化
• Abstract要約: 我々は,計画エージェントの予算効率向上のための診断誘導フレームワークであるHGM-Dualを紹介する。 まず、HGM-Dualは、エージェントの進化を系統認識のコンテキストとして表現する。このコンテキストは、それぞれの祖先がどのような変化をしたか、どの行動が改善または後退したか、どの修正が有効でないかを記録します。 第二に、HGM-Dualは、エラー条件付き二重経路子生成を導入し、選択された親に対して、開放的な探索を保ち、ハーネスコンポーネントをターゲットとした、親の最高レベルの制約違反に最も関与する可能性のある特殊な子供を生成する。
• 参考スコア（独自算出の注目度）: 8.052195213264143
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Harness optimization, which improves an agent's prompts, tools, and workflows, is an increasingly effective way to enhance agents built on frozen or closed-source LLMs. Leading approaches such as the Darwin--Godel Machine and the Huxley--Godel Machine (HGM) rely on recursive self-improvement and were developed mainly for coding, where the competence needed to improve the agent coincides with the competence being improved. Planning tasks, in which an agent must produce a sequence of tool calls that jointly satisfies interacting constraints, break this alignment. There, open-ended self-modification repeatedly explores ineffective changes and consumes substantial evaluation budgets. We introduce HGM-Dual, a diagnostic-guided framework for budget-efficient harness evolution for planning agents. First, HGM-Dual represents agent evolution as lineage-aware context. This context records what each ancestor changed, which behaviors improved or regressed, and which modifications were ineffective, giving the editor explicit edit-outcome attribution instead of an unstructured archive of past agents. Second, HGM-Dual introduces error-conditioned dual-path child generation. For each selected parent, it generates a general child that preserves open-ended exploration and specialized children that target the harness components most likely responsible for the parent's highest-ranked constraint violations. HGM-Dual outperforms the strongest baseline by up to 14.45% relative improvement in case accuracy while matching HGM variants' final performance with 2x-4x fewer evaluation budget.
• Abstract（参考訳）: エージェントのプロンプト、ツール、ワークフローを改善するハーネス最適化は、凍結またはクローズドソース LLM 上に構築されたエージェントを強化するための、ますます効果的な方法である。 ダーウィン-ゴーデルマシンやハクスリー-ゴーデルマシン(HGM)のような先進的なアプローチは再帰的な自己改善に依存し、主にコーディングのために開発された。 エージェントが相互作用する制約を満足する一連のツールコールを生成しなければならないプランニングタスクは、このアライメントを破る。 そこでは、オープンな自己修正が繰り返し非効率な変化を探求し、かなりの評価予算を消費する。 我々は,計画エージェントの予算効率向上のための診断誘導フレームワークであるHGM-Dualを紹介する。 第一に、HGM-Dualはエージェント進化を系統認識の文脈として表現する。 このコンテキストは、それぞれの祖先が変更したことを記録し、どの行動が改善または後退したか、どの修正が効果的でないかを記録し、エディターは過去のエージェントの構造化されていないアーカイブではなく、明示的な編集結果の属性を与える。 第二に、HGM-Dualはエラー条件付きデュアルパス子生成を導入している。 選択された親それぞれに対して、開放的な探索を維持する一般的な子供と、ハーネスコンポーネントをターゲットにした特別な子供を生成し、親の最も高いランクの制約違反に責任を負う可能性が高い。 HGM-Dualは、HGMの派生型の最終性能を2倍-4倍の予算で比較しながら、ケース精度で14.45%の相対的な改善を達成し、最強のベースラインを上回った。

関連論文リスト

• Masked Diffusion Language Agents for Tool-Integrated Chemical Reasoning [50.9331350849314]
  我々は、ツール統合化化学推論のための最初のマスク付き拡散言語エージェントであるChemDiffAgentを紹介する。 化学推論を、インターリーブド推論とツール使用軌跡に対する反復的記述として再構成する。 ChemDiffAgentは自己回帰剤を一貫して上回り、全体的な改善率は約20%である。
  論文  参考訳（メタデータ） (2026-10-09T10:07:37Z)
• Causal Improvement Graph for Agentic Harness Optimization [85.77143316265415]
  因果改善グラフ(Causal Improvement Graph, CIG)は、永続グラフにおける改善状態の進化を外部化する、グラフが支配するメタハーネスフレームワークである。 CIGはノードをリンクして、観察されたこと、どのように説明されるか、その説明をテストする方法、そして評価が示すものを表す。
  論文  参考訳（メタデータ） (2026-10-04T08:15:37Z)
• HarnessCompass: Guiding Automatic Harness Evolution toward Generalizable and Effective Agent Harnesses [17.229636050055266]
  Harness設計は、大規模言語モデル(LLM)が実行環境内でどのように認識し、推論し、動作しているかを形作ることで、エージェントのパフォーマンスにおいて重要な役割を果たす。 最近の研究は、エージェント-環境相互作用からハーネスを反復的に改善する自動ハーネス進化を提案している。 制約付き進化、積極的フィードバック、コンポーネントワイド最適化を中心に構築された新しい自動ハーネス進化フレームワークであるHarnessを提案する。
  論文  参考訳（メタデータ） (2026-08-03T08:51:50Z)
• Evolving Agents in the Dark: Retrospective Harness Optimization via Self-Preference [51.55077364626896]
  本稿では,過去の軌道のみを用いたエージェント・ハーネスを最適化する自己教師型手法であるRetrospective Harness Optimization (RHO)を紹介する。 RHOは、過去の軌跡から様々な課題のコアセットを選択し、それらを並列に解決する。 1回の最適化ラウンドでは、SWE-Bench Proのパスレートが59%から78%に向上する。
  論文  参考訳（メタデータ） (2026-06-04T09:26:00Z)
• Hyperagents [42.17044581555985]
  自己改善型AIシステムは、人間のエンジニアリングへの依存を減らすことを目的としている。 既存の自己改善アプローチは、固定された手作りのメタレベルメカニズムに依存している。 我々はDGM-Hyperagentを作成するためにDarwin Gdel Machineを拡張します。
  論文  参考訳（メタデータ） (2026-03-19T20:50:08Z)
• Alita-G: Self-Evolving Generative Agent for Agent Generation [54.49365835457433]
  汎用エージェントをドメインエキスパートに変換するフレームワークであるALITA-Gを提案する。 このフレームワークでは、ジェネラリストエージェントが対象ドメインタスクのキュレートされたスイートを実行する。 計算コストを削減しながら、大きな利益を得ることができます。
  論文  参考訳（メタデータ） (2025-10-27T17:59:14Z)
• Gödel Agent: A Self-Referential Agent Framework for Recursive Self-Improvement [112.04307762405669]
  G"odel AgentはG"odelマシンにインスパイアされた自己進化型フレームワークである。 G"odel Agentは、パフォーマンス、効率、一般化性において手作業によるエージェントを上回る、継続的な自己改善を実現することができる。
  論文  参考訳（メタデータ） (2024-10-06T10:49:40Z)

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。