論文の概要: AgenticEvolve: Evolutionary Program Search with Persistent Language Model Agents that Design and Run Experiments
- arxiv url: http://arxiv.org/abs/2610.31326v1
- Date: Thu, 22 Oct 2026 14:18:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.403322
- Title: AgenticEvolve: Evolutionary Program Search with Persistent Language Model Agents that Design and Run Experiments
- Title（参考訳）: AgenticEvolve:実験を設計し実行するための永続言語モデルエージェントによる進化的プログラム検索
- Abstract要約: 本稿では,各島が永続的な大言語モデルエージェントによって運営される進化的プログラム検索フレームワークであるAgenticEvolveについて述べる。
3つの大きな言語モデルを持つ2つの設計タスクにおいて、AgenticEvolveは非分析とOpenEvolveより優れたプログラムを生成する。
- 参考スコア（独自算出の注目度）: 3.765975914676861
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evolutionary program search with large language models keeps the structure of an evolutionary algorithm and uses the model as its variation operator. Typically, the model generates each candidate program in a single request from parent programs and their scores. We present AgenticEvolve, an evolutionary program search framework in which each island is run by a persistent large language model agent. Between evaluations, the agent designs and runs experiments on the candidate program. To measure the contribution of experimentation, we compare AgenticEvolve with No-analysis, an otherwise identical configuration with experiments disabled. On two heuristic design tasks with three large language models, AgenticEvolve produces better programs than No-analysis and OpenEvolve on both hidden and unseen instances. It reaches the baselines' final quality with far fewer evaluations and comparable cost. On twelve equation discovery problems, it recovers the ground-truth structure of more equations than No-analysis and existing language-model and genetic programming baselines.
- Abstract（参考訳）: 大規模言語モデルを用いた進化的プログラム探索は、進化的アルゴリズムの構造を保持し、その変分演算子としてモデルを使用する。
モデルは通常、親プログラムとそのスコアから単一のリクエストで各候補プログラムを生成する。
本稿では,各島が永続的な大規模言語モデルエージェントによって運営される進化的プログラム検索フレームワークであるAgenticEvolveについて述べる。
評価の間、エージェントは候補プログラムの実験を設計し実行します。
実験の貢献度を測定するため,AgenticEvolveとNo-analysisを比較した。
3つの大きな言語モデルを持つ2つのヒューリスティックな設計タスクにおいて、AgenticEvolveは非分析とOpenEvolveよりも優れたプログラムを隠れたインスタンスと見えないインスタンスの両方で生成する。
ベースラインの最終的な品質に達し、評価と同等のコストがはるかに少ない。
12の方程式発見問題において、非解析および既存の言語モデルおよび遺伝的プログラミングベースラインよりも多くの方程式の基底構造を復元する。
関連論文リスト
- AgentDiscover: Autonomous Discovery with Minimal Search Scaffolding [7.409479213840382]
我々は、AgentDiscoverを導入し、コーディングエージェントは、そのコンテキストをワーキングメモリとして使用して検索を計画できる。
サーバはデータベースを保守し、提出のたびにエージェントを操縦し、長期にわたってそれを継続する。
カーネルエンジニアリング、生物学、アルゴリズム設計、数学におけるタスクにおいて、AgentDiscoverは以前の発見フレームワークより優れている。
論文 参考訳（メタデータ） (2026-10-04T15:55:47Z) - InterEvolve: Test-Time Evolution of Reward Programs for Humanoid Loco-Manipulation [54.00038257772902]
ヒューマノイド・ロコ・マニピュレーションの試験時間進化について検討した。
私たちの重要な洞察は、ワイドコントローラが、新しいタスクに必要な能力の多くをすでに持っていることです。
InterEvolveはこのインターフェースを2つのコンポーネントで実現している。
論文 参考訳（メタデータ） (2026-10-01T17:59:40Z) - EvolveNet: Collaborative Harness Evolution for Agent Self-Improvement [70.68218215070745]
既存のアプローチでは、すべての実行エクスペリエンスを単一のハーネスにルーティングできると仮定している。
EvolveNetは、経験抽出をデータに移動させるハーネス進化のパラダイムである。
論文 参考訳（メタデータ） (2026-08-05T15:37:18Z) - The Best Programming Language for Tokenmaxxing: An Investigation of Coding Agent Behavior Across Programming Languages [13.509521852529728]
我々はPython、Java、Rust、OCamlのプログラミング問題に関する最近の5つのモデルを評価した。
モデル間で整合性のあるトークン消費には大きなバリエーションがあることが示されています。
論文 参考訳（メタデータ） (2026-07-24T16:41:59Z) - DevBench: A multimodal developmental benchmark for language learning [0.34129029452670606]
タスクと行動データに基づいて視覚言語モデルを評価するベンチマークであるDevBenchを紹介する。
DevBenchは、モデルを人間の言語開発と比較するためのベンチマークを提供する。
これらの比較は、モデルと人間の言語学習プロセスの分岐方法を強調する。
論文 参考訳（メタデータ） (2024-06-14T17:49:41Z) - Husky: A Unified, Open-Source Language Agent for Multi-Step Reasoning [67.26776442697184]
我々はHuskyを紹介した。Huskyは総合的でオープンソースの言語エージェントで、統一されたアクション空間について推論することを学ぶ。
ハスキーは、(1)与えられたタスクを解決するために次のアクションを生成すること、2)エキスパートモデルを使用してアクションを実行すること、の2つの段階を繰り返す。
実験の結果,Huskyは14の評価データセットで先行言語エージェントよりも優れていた。
論文 参考訳（メタデータ） (2024-06-10T17:07:25Z) - AgentGym: Evolving Large Language Model-based Agents across Diverse Environments [116.97648507802926]
大規模言語モデル(LLM)はそのようなエージェントを構築するための有望な基盤と考えられている。
我々は、自己進化能力を備えた一般機能 LLM ベースのエージェントを構築するための第一歩を踏み出す。
我々はAgentGymを提案する。AgentGymは、幅広い、リアルタイム、ユニフォーマット、並行エージェント探索のための様々な環境とタスクを特徴とする新しいフレームワークである。
論文 参考訳（メタデータ） (2024-06-06T15:15:41Z) - Self-Taught Optimizer (STOP): Recursively Self-Improving Code Generation [23.31928097405939]
言語モデルに融合した足場プログラムを用いて自己改善を行う。
言語モデルにより、様々な自己改善戦略が提案されている。
これは、近代的な言語モデルであるGPT-4が、自分自身を改善のために呼び出すことができるコードを書くことができることを実証している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Generative Models as a Complex Systems Science: How can we make sense of
large language model behavior? [75.79305790453654]
事前訓練されたモデルから望ましい振る舞いを排除し、望ましくないモデルを避けながら、NLPを再定義した。
言語モデルの振る舞いをタスク間性能を説明するカテゴリに分解する体系的な取り組みについて論じる。
論文 参考訳（メタデータ） (2023-07-31T22:58:41Z) - An Application of Pseudo-Log-Likelihoods to Natural Language Scoring [5.382454613390483]
比較的少ないパラメータとトレーニングステップを持つ言語モデルは、最近の大規模なデータセットでそれを上回るパフォーマンスを得ることができる。
二項選択タスクにおける常識推論のための絶対的最先端結果を生成する。
より小さなモデルの堅牢性は、構成性の観点から理解されるべきである。
論文 参考訳（メタデータ） (2022-01-23T22:00:54Z)
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。