論文の概要: Know When to Escalate: Critic-Guided Adaptive Execution for Cloud-Local Embodied Agents

• arxiv url: http://arxiv.org/abs/2610.30587v1
• Date: Thu, 22 Oct 2026 01:38:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.182614
• Title: Know When to Escalate: Critic-Guided Adaptive Execution for Cloud-Local Embodied Agents
• Title（参考訳）: クラウドローカル・エボディード・エージェントに対する批判ガイドによる適応的実行
• Abstract要約: 本稿では、批評家が指導する適応実行フレームワークであるCAREを紹介する。 軽量な批評家モデルは、実行の信頼性を監視し、ローカル実行が信頼できなくなるとエスカレーションをトリガーする。 CAREはさらにクラウドのみの成功に近づき、中央値の動作遅延を28.8-82.6%削減した。
• 参考スコア（独自算出の注目度）: 7.007065833646699
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Recent advances in foundation-model agents have enabled increasingly capable embodied systems for long-horizon planning and interaction. However, embodied agents require fast, closed-loop decisions as they continuously perceive and act on a changing environment. Deploying strong cloud agents leaves the platform idle for seconds between consecutive actions, while lightweight local models respond quickly but are more vulnerable to errors. Existing hierarchical architectures typically assign models fixed roles, whereas conventional model routers make stateless per-request decisions. We present CARE, a critic-guided adaptive execution framework that dynamically determines when to escalate control from a local executor to a stronger cloud model. A lightweight critic model monitors execution reliability and triggers escalation when local execution becomes unreliable; once escalated, control persists until the agent recovers, avoiding step-wise switching. To support such control transfer, a shared handoff memory maintains execution context and task-level progress across executors, enabling the model to intervene without restarting from scratch. Across diverse embodied benchmarks, CARE improves task success by 6.3-18.3 percentage points over the strongest evaluated collaboration baseline. CARE further approaches or exceeds Cloud-only success while reducing median time-between-action latency by 28.8-82.6%.
• Abstract（参考訳）: ファンデーションモデルエージェントの最近の進歩は、長期計画と相互作用のための、より能力の高いエンボディドシステムを可能にしている。 しかし、エンボディードエージェントは、絶えず知覚し、変化する環境に作用するため、高速でクローズドループな決定を必要とする。 強力なクラウドエージェントをデプロイすると、プラットフォームは連続的なアクション間で数秒間アイドル状態になり、軽量なローカルモデルは迅速に応答するが、エラーに対してより脆弱になる。 既存の階層アーキテクチャはモデルが固定された役割を割り当てるのが一般的であるが、従来のモデルルータは要求毎にステートレスな決定を行う。 本稿では、ローカルエグゼキュータからより強力なクラウドモデルへ制御をエスカレートするタイミングを動的に決定する、批評家による適応実行フレームワークであるCAREを紹介する。 軽量な批評家モデルは、実行の信頼性を監視し、ローカル実行が信頼できないときにエスカレーションをトリガーする。 このような制御転送をサポートするために、共有ハンドオフメモリは実行コンテキストと実行者間のタスクレベルの進捗を維持し、スクラッチから再起動することなくモデルが介入できるようにする。 多様な実施ベンチマークの他、CAREは最も評価の高いコラボレーションベースラインよりも6.3-18.3ポイントのタスク成功を改善している。 CAREはさらにクラウドのみの成功に近づき、中央値の動作遅延を28.8-82.6%削減した。

関連論文リスト

• MAGMA-Bench: Evaluating Long-Horizon Embodied Agents under Dynamic Tasks and Execution Failures [1.0074626918268836]
  動的マルチロボット環境における永続的タスク推論のためのアーキテクチャに依存しないベンチマークであるMAGMA-Benchを紹介する。 ローカルにデプロイ可能なオープンウェイトプランナ,マルチエージェント状態追跡戦略,フロンティアモデルを評価した。 ベンチマーク、タスクレベルのトレーニング例261,646、アーキテクチャに依存しないエキスパートトレース生成パイプラインをリリースしています。
  論文  参考訳（メタデータ） (2026-10-09T12:54:11Z)
• MeshHeal: Two-Timescale Self-Healing for Gray Failures in Decentralized LLM Agent Networks [60.95806999869478]
  MeshHealは、完全に分散化された自己修復フレームワークである。 能力にマッチしたピアレビューを2つのタイムスケールに分けている。 1タスクあたり51kのトータルモデルトークンを使用して0.839の劣化位相精度を達成し、最強のベースラインでは1タスクあたり115kの0.807の精度を達成した。
  論文  参考訳（メタデータ） (2026-09-24T04:29:37Z)
• LocalLSTC: A Long Short-Term Control Architecture for Locally Deployed GUI Agents [13.261859864631063]
  トレーニング不要なアーキテクチャであるLocalLSTCを導入し、時間的スコープによる制御を組織化し、永続的なクロスステップ状態を維持する。 長期制御は、アクティブなサブゴール、サブゴールアライメントのエビデンス、および相互作用間の実行時のフィードバックを維持し、短期実行は現在のステップに対する有界なコミットメントを実現している。 Qwen3.6-27Bでは、LocalLSTCはOSWorldで64.7%のSR-100、WindowsAgentArenaで65.3%に達し、両方のベンチマークで最強のローカル結果を上回った。
  論文  参考訳（メタデータ） (2026-08-26T13:20:27Z)
• A Self-Triggered Agentic Push Recommendation System [77.13502692161426]
  プッシュ通知は、大規模プラットフォームにおける重要なレコメンデーションシナリオである。 本稿では,プロアクティブ・セルフトリガー・エンド・ツー・エンドのエージェント・プッシュ・レコメンデーションシステムを提案する。 STEPSはすでにDouyinに10億人以上のユーザーを抱えている。
  論文  参考訳（メタデータ） (2026-08-03T09:20:53Z)
• CoMIC: Collaborative Memory and Insights Circulation for Long-Horizon LLM Agents in Cloud-Edge Systems [23.892901534769067]
  エッジサーバ上の軽量大規模言語モデル(LLM)エージェントは、レイテンシを低減し、エージェントサービスをユーザに近づける。 デプロイ後の微調整エッジモデルはコストが高く、異種ノードをまたいでスケールすることが難しい。 我々は,コラボレーティブメモリと循環インサイトのためのパラメータ更新不要なクラウドエッジフレームワークであるtextscCoMICを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:45:39Z)
• 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)
• Step-level Optimization for Efficient Computer-use Agents [51.29573359027217]
  我々は、強力なコンピュータ利用エージェントは、実際は高価で遅いと論じている。 本稿では,コンピュータ利用エージェントのためのイベント駆動ステップレベルカスケードを提案する。
  論文  参考訳（メタデータ） (2026-04-29T19:59:36Z)
• AsyncVLA: An Asynchronous VLA for Fast and Robust Navigation on the Edge [49.66156306240961]
  高レイテンシは制御ループを壊し、リアルタイムデプロイメントでは安全でない強力なモデルをレンダリングする。 リアクティブ実行からセマンティック推論を分離する非同期制御フレームワークであるAsyncVLAを提案する。 AsyncVLAは、最先端のベースラインよりも40%高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-13T21:31:19Z)
• StreamVLA: Breaking the Reason-Act Cycle via Completion-State Gating [8.031311182554981]
  長距離ロボット操作は、高レベルの計画と低レベルの制御のギャップを埋める必要がある。 現在のVision-Language-Actionモデルは、しばしばこれらのプロセスを絡めて、各ステップで冗長なマルチモーダル推論を実行する。 本稿では、テキストタスクの分解、視覚目標の想像力、連続的なアクション生成を単一のパラメータ効率のバックボーン内で統合するデュアルシステムアーキテクチャStreamVLAを提案する。
  論文  参考訳（メタデータ） (2026-02-01T08:51:17Z)

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。