論文の概要: Phronix: The Capability-Centric Learning Paradigm for Agents
- arxiv url: http://arxiv.org/abs/2610.31789v1
- Date: Thu, 22 Oct 2026 18:29:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.262318
- Title: Phronix: The Capability-Centric Learning Paradigm for Agents
- Title（参考訳）: Phronix:エージェントのための能力中心学習パラダイム
- Abstract要約: Phronixは、エージェントハーネスが再利用可能な機能を取得し、検証し、洗練することを可能にする能力中心の学習パラダイムである。
観測されたすべてのインタラクションを機能ストアに蒸留し、それを放棄するのではなく、失敗するタスクを研究する。
- 参考スコア（独自算出の注目度）: 3.8503856258832205
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scientific computing increasingly relies on large language model-based agents for performance engineering tasks such as instrumentation, analysis, and workflow porting. However, agent effectiveness depends heavily on the surrounding harness, which typically relies on manually written skills and curated memory. This limits autonomous learning, forcing agents to repeatedly rediscover solutions rather than retain and reuse knowledge from prior executions. We introduce Phronix, a capability-centric learning paradigm that enables agentic harnesses to acquire, validate, and refine reusable capabilities from their own executions. Phronix operates through a predictor-validator-corrector loop: MCP tools and associated skills propose solutions, tool executions validate them, and observed outcomes refine the stored capabilities. It distills every observed interaction into a capability store and researches a failing task rather than abandoning it. First, such learned capabilities solve a recurring task on the first attempt in 93-95% of cases across every model, significantly reducing solution non-determinism and improving reliability. Second, Phronix turns an agent's own execution into 7.6-30.8 durable capabilities per task without user instruction, and creation falls below two once the needed capability exists. Third, warm-start runs consume only 0.38-0.40 million tokens per task, which is three to four times less than a single baseline attempt, while a cold-start costs no more than the baseline. On the 1000 Genome Pegasus workflow, instrumenting a production application for I/O performance analysis, Phronix passes all 11 correctness checks against six for the baseline harness, and also lifts the task solving rates of two cheaper models from 29% and 27% of SWE-bench tasks solved to 91% and 87%, respectively, matching the performance of the most expensive evaluated model.
- Abstract（参考訳）: 科学計算は、インスツルメンテーション、分析、ワークフローポーティングといったパフォーマンスエンジニアリングタスクのために、大規模言語モデルベースのエージェントにますます依存している。
しかし、エージェントの有効性は周囲のハーネスに大きく依存する。
これにより自律的な学習が制限され、エージェントは事前の実行から知識を保持し再利用するのではなく、繰り返しソリューションを再発見せざるを得なくなる。
私たちは、エージェントハーネスが自身の実行から再利用可能な機能を取得し、検証し、洗練することを可能にする能力中心の学習パラダイムであるPhronixを紹介します。
MCPツールと関連するスキルがソリューションを提案し、ツールの実行がそれらを検証し、観測結果が格納された機能を洗練します。
観測されたすべてのインタラクションを機能ストアに蒸留し、それを放棄するのではなく、失敗するタスクを研究する。
まず、これらの学習能力は、各モデルにまたがる93～95%のケースにおいて、最初の試みで繰り返し発生するタスクを解決し、解の非決定性を著しく低減し、信頼性を向上させる。
第二に、Phronixはエージェント自身の実行をユーザ命令なしでタスク毎に7.6-30.8の耐久性を持つ機能に変換し、必要な機能が存在すると生成は2以下になる。
第3に、ウォームスタートランはタスク当たり0.38-0.40万トークンしか消費せず、これは単一のベースラインの試みの3倍から4倍も少ない。
1000 Genome Pegasusのワークフローでは、I/Oパフォーマンス分析のプロダクションアプリケーションとして、Phronixはベースラインハーネスの6つに対して11の正当性チェックをすべてパスし、SWEベンチタスクの29%と27%のより安価なモデルのタスク解決率を、それぞれ91%と87%に引き上げ、最も高価な評価モデルのパフォーマンスに匹敵する。
関連論文リスト
- DAEDALUS: Bootstrapping Agent Memory from Self-Generated Tasks [1.0621485365427565]
エージェントシステムは典型的には人間によるガイドラインや、訓練タスクとオラクル検証器から構築された手続き記憶に依存している。
本稿では,既存のタスクやオラクル検証を使わずに,自己生成から再利用可能なエージェントメモリをブートストラップする方法であるDAEDALUSを提案する。
AppWorld, $2$-bench, AutomationBench, DAEDALUSは平均成功率を15.9ポイント、パス5を2.2倍改善する。
論文 参考訳（メタデータ） (2026-10-06T09:46:32Z) - Efficient Test-Time Adaptation through Human-AI Interaction [112.5131603022122]
我々は,ヒト-エージェント間相互作用(TAHI)によるテスト時間適応を提案する。
エージェントを2つの高ユーティリティドメイン(書き込みと視覚的創造)の30人に適応させ、合計600のタスクをこなします。
エージェントは10タスク以内の単独作業の成功率を4.5-20.9%向上させる。
論文 参考訳（メタデータ） (2026-09-03T17:33:18Z) - Determinants and Limits of LLM Security-Tool Orchestration: A Study with HexStrike-AI [2.2616066835313253]
7つのカテゴリと3つの難易度で86のPicoCTF課題を実行し、3つのツールアクセスレジームと3つのモデル/クライアント構成で実行します。
既存のツール,エージェント・ビヘイビアの変更,11の新たな機能ツールに修正を適用し,これまで未経験だったトライアルを再実行します。
全体の解決率は55.4%から72.0%に上昇し、全ての構成が大幅に改善される。
論文 参考訳（メタデータ） (2026-07-03T02:20:04Z) - To Run or Not to Run: Analyzing the Cost-Effectiveness of Code Execution in LLM-Based Program Repair [18.653708704742353]
実行には時間がかかり費用もかかるが、プログラム修復エージェントへの影響は未調査のままである。
コード実行は分析されたすべてのエージェントとモデルで使用され、タスク毎に平均8.8のテスト実行が実行される。
現在のエージェントは実行を無差別に適用し、ほとんど利益が得られないインスタンスにコストを支払う。
論文 参考訳（メタデータ） (2026-06-25T12:49:59Z) - EnactToM: An Evolving Benchmark for Functional Theory of Mind in Embodied Agents [75.01735520608075]
既存のベンチマークは、直観的信念を問うことで、主にリテラル・オブ・マインド(ToM)をテストする。
EnactToMは, 3D 家庭で設定された300個のマルチエージェントタスクの進化ベンチマークである。
ハードスプリットでは、7つの評価されたフロンティアモデルすべてが機能的なタスク完了時に0.0%のPass3を獲得し、リテラルな信念プローブでは平均45.0%であった。
論文 参考訳（メタデータ） (2026-05-11T00:04:19Z) - Pioneer Agent: Continual Improvement of Small Language Models in Production [6.452260317191361]
小さな言語モデルは、低コスト、高速な推論、特殊化の容易さのために、製品展開にとって魅力的なものだ。
特定のタスクに小さな言語モデルを適用するプロセスを自動化するクローズドループシステムであるPioneer Agentを提案する。
論文 参考訳（メタデータ） (2026-04-10T18:13:09Z) - AgentMath: Empowering Mathematical Reasoning for Large Language Models via Tool-Augmented Agent [80.83250816918861]
o3やDeepSeek-R1のようなLarge Reasoning Models (LRM)は、長いチェーン・オブ・シークレットを持つ自然言語推論において顕著な進歩を遂げている。
しかし、計算的に非効率であり、複雑な数学的操作を必要とする問題を解く際には精度に苦しむ。
本稿では,言語モデルの推論能力とコードインタプリタの計算精度をシームレスに統合するエージェントフレームワークであるAgentMathを紹介する。
論文 参考訳（メタデータ） (2025-12-23T19:57:49Z) - 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) - Boosting LLM Reasoning via Spontaneous Self-Correction [43.4980625253775]
数学推論を改善するためのアプローチの1つは自己補正である。
既存の自己補正アプローチは、修正を独立したポストジェネレーションとして扱う。
本研究では,LLMが単一推論パスでインターリーブされた解と検証を生成できる自己補正手法であるSPOCを提案する。
論文 参考訳（メタデータ） (2025-06-07T21:23:00Z)
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。