論文の概要: MultiEvoSkill: Structure-Aware Multi-Agent Skill Evolution for Generalizable Skill Artifacts

• arxiv url: http://arxiv.org/abs/2610.34260v1
• Date: Sun, 25 Oct 2026 12:43:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.568655
• Title: MultiEvoSkill: Structure-Aware Multi-Agent Skill Evolution for Generalizable Skill Artifacts
• Title（参考訳）: MultiEvoSkill: 汎用スキルアーティファクトのための構造を考慮したマルチエージェントスキル進化
• Abstract要約: MultiEvoSkillは3つのコアコンポーネントで構成されるスキル最適化フレームワークである。 この技術は、調整された演算子を持つ型付きグラフとして使われ、明示的な手続き的トポロジーを持つコンパクトで情報的な表現を生み出している。 SOTA法に対する様々な実験と改善により、MultiEvoSkillの有効性と一般化が検証された。
• 参考スコア（独自算出の注目度）: 35.497637519506206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Skill documents are becoming the default adaptation surface for frozen large language model (LLM) agents, but current skill generators face two key limitations. First, humans and different LLMs differ in how they organize procedural knowledge and approach task solving. Skills authored from a human or single-model perspective may therefore fail to align with the reasoning behaviors of other backbones, limiting cross-model generalization. Second, sequential skill descriptions inadequately represent procedures with parallel branches and explicit dependencies, while existing skill optimizers primarily operate on prose and lack explicit support for graph-structured skill evolution. We introduce MultiEvoSkill, a skill-optimization framework comprising three core components: 1) Skill compiler casts the skill as a typed graph with tailored operators, producing a compact, informative representation with explicit procedural topology; 2) Heterogeneous agent system proposes revision advices using collective intelligence, where minimal and informative issues are identified based on multiple sets of experiences. 3) Structure-aware debate and evolution mechanism organizes candidate edits into a heterogeneous graph, resolves them under dependency and importance constraints, and distills the collective proposal into the artifact. Multi-dimensional gating ensures the information gain and topological correctness of each evolution. Optimal skills are then obtained when the system converges at a consistent state. Various experiments and ablations against SOTA methods validate the effectiveness and generalization of MultiEvoSkill.
• Abstract（参考訳）: フリーズされた大言語モデル(LLM)エージェントのデフォルト適応サーフェスとしてスキルドキュメントが使用されているが、現在のスキルジェネレータには2つの重要な制限がある。 第一に、人間と異なるLLMは、手続き的知識の編成方法とタスク解決へのアプローチ方法が異なる。 したがって、人間やシングルモデルの観点から書かれたスキルは他のバックボーンの推論行動と一致せず、クロスモデル一般化を制限する可能性がある。 第2に、シーケンシャルなスキル記述は、並列ブランチと明示的な依存関係を持つプロシージャを不十分に表現する一方で、既存のスキルオプティマイザは、主に散文を処理し、グラフ構造化されたスキル進化に対する明示的なサポートを欠いている。 3つのコアコンポーネントからなるスキル最適化フレームワークであるMultiEvoSkillを紹介する。 1) スキル・コンパイラーは、そのスキルを調整された演算子による型付きグラフとしてキャストし、明示的な手続き的トポロジーを持つコンパクトで情報的な表現を生成する。 2)異種エージェントシステムは,複数の経験セットに基づいて,最小限かつ情報的問題を識別する集団知能を用いたリビジョンアドバイスを提案する。 3) 構造を意識した議論と進化のメカニズムは、候補編集を異質なグラフに整理し、依存や重要制約の下でそれらを解決し、集合的な提案をアーティファクトに蒸留する。 多次元ゲーティングは、各進化の情報の獲得と位相的正しさを保証する。 最適スキルは、システムが一貫した状態に収束するときに得られる。 SOTA法に対する様々な実験と改善により、MultiEvoSkillの有効性と一般化が検証された。

関連論文リスト

• SkillSpec: Consensus-Gated Agent Skill Evolution via Representation Specialization [8.52202553192961]
  SkillSpecはコンセンサス付き進化と表現の特殊化からなる2段階のフレームワークである。 SkillSpecはSkillOptよりも平均成功率を6.89%改善し、3つのモデルで平均化している。
  論文  参考訳（メタデータ） (2026-09-30T20:52:00Z)
• EvoSkillRec: Skill-Genome Evolution for Recommender Architecture Discovery [49.42532199240193]
  EvoSkillRecは累積リコメンデータアーキテクチャ進化のためのプロモーション・アンド・リユースフレームワークである。 推奨者を原子実行可能なスキルに分解し、アーキテクチャを型付きスキルゲノムとして表現する。 まず、検証済みのスキルを変異、再結合、特殊化、再利用し、LLMプランナーとシンセサイザーが新しいスキルモジュールを発明するオープンエンドのコード空間を作る。
  論文  参考訳（メタデータ） (2026-09-28T08:12:08Z)
• SkillComposer: Learning to Evolve Agent Skills for Specification and Generalization [99.18305770138677]
  エージェントスキルは、エージェントの推論とアクションをガイドする再利用可能な戦略である。 現在の技術構築手法は、問題を一発抽出として扱う。 本稿では,スキル構築を3つの学習可能な操作に分解するフレームワークであるSkillComposerを紹介する。
  論文  参考訳（メタデータ） (2026-06-04T12:16:08Z)
• Skill is Not One-Size-Fits-All: Model-Aware Skill Alignment for LLM Agents [9.144810798419975]
  LLMエージェントは、長期の対話的タスクのパフォーマンスを向上させるために、意思決定時に取得した外部キュレートされたスキル・プロデューラルな指示を徐々に取り出す。 エージェントの重みを変更することなく、各ターゲットのバックボーンにスキルを適応させるフレームワークであるMASA Model-Aware Skill Alignmentを提案する。 MASAは、最強のベースラインで最大25.8ポイントを獲得して、常に最高の総合成績を収めている。
  論文  参考訳（メタデータ） (2026-05-29T01:34:42Z)
• Skill-R1: Agent Skill Evolution via Reinforcement Learning [84.35984979949502]
  Skill-R1は、検証可能な報酬からインスタンスレベルの繰り返しスキル最適化のための強化学習フレームワークである。 オープンソースモデルとクローズドソースモデルの両方とのブラックボックス互換性を維持しつつ、モデルレベルの更新よりも大幅に安価に適応できる。
  論文  参考訳（メタデータ） (2026-05-10T06:19:15Z)
• From Context to Skills: Can Language Models Learn from Context Skillfully? [56.5857437218136]
  Ctx2Skillは、コンテキスト固有のスキルを自律的に発見、洗練、選択する自己進化フレームワークである。 より良い文脈学習能力を得るために、どんな言語モデルにもプラグインできる。
  論文  参考訳（メタデータ） (2026-04-30T09:53:15Z)
• EvoSkills: Self-Evolving Agent Skills via Co-Evolutionary Verification [85.3692584167951]
  Anthropicは、LLMエージェントが多段階のプロフェッショナルタスクに取り組むためのスキルの概念を提案する。 ツールは単一の自己完結型関数であり、スキルは相互依存型多ファイルアーティファクトの構造化バンドルである。 EvoSkillsは、エージェントが複雑なマルチファイルスキルパッケージを自律的に構築できる自己進化型スキルフレームワークである。
  論文  参考訳（メタデータ） (2026-04-02T06:43:20Z)
• Uni-Skill: Building Self-Evolving Skill Repository for Generalizable Robotic Manipulation [32.86306309089796]
  Uni-Skillはスキル中心のフレームワークで、スキル対応のプランニングをサポートする。 既存のスキルが不十分な場合、新しいスキル実装に対するUni-Skillリクエスト。 Skillは、大規模な非構造化ロボットビデオから派生したVerbNetにインスパイアされたリポジトリだ。
  論文  参考訳（メタデータ） (2026-03-03T05:49:37Z)

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。