論文の概要: CTXAgent - Self-Controlled Context Management of LLM Agents

• arxiv url: http://arxiv.org/abs/2610.34425v1
• Date: Sun, 25 Oct 2026 16:30:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.612374
• Title: CTXAgent - Self-Controlled Context Management of LLM Agents
• Title（参考訳）: CTXAgent - LLMエージェントの自己制御型コンテキスト管理
• Abstract要約: エージェントハーネスは、トークンしきい値が渡された場合に履歴をコンパクト化することで、コンテキストウィンドウ内で長いセッションを保持する。 モデルが自身のコンテキストを管理する代替案として、いつコンパクトになるか、何を保持するか、何を手書きにするかを判断する。 異なる条件下での7つのフロンティアモデルを,トークンコストとベンチマークスコアで比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Agent harnesses keep long sessions inside the context window by compacting the history when a token threshold is crossed. We study an alternative in which the model manages its own context: it decides when to compact, what to keep and what to write as the hand-off, given two tools and one paragraph of guidance. Since earlier work found that open-weight models cannot manage their own context without scaffolding, we compare seven frontier models under identical conditions, with and without the context tools, on token cost and benchmark score, and we compare our harness with three widely used harnesses on two of these models. The benchmark is assembled from existing ones: coding exercises, multi-step SciCode problems and SWE-bench Pro and Terminal-Bench 4.0 tasks are interleaved with planted facts, ephemeral observations and standing instructions, all checked deterministically, in sessions of 35-212 turns that resemble a user working through different tasks in one chat. Most of the strongest models manage their context: they compact and curate regularly, the live context of the mixed sessions stays mostly below 100k tokens, and their benchmark scores mostly do not drop significantly. For the models that manage their context well, the cost reduction is substantial but varies between models, because some models compact so often that other costs increase. With Claude Opus 5.5, the self-managed harness matches Claude Code on task success at 34% lower cost than its explicit 200k-window configuration and 49% lower than its default, with no context window to choose. We release the agent, the benchmark and all result rows.
• Abstract（参考訳）: エージェントハーネスは、トークンしきい値が渡された場合に履歴をコンパクト化することで、コンテキストウィンドウ内で長いセッションを保持する。 2つのツールと1つのガイダンスを与えられた状態で、コンパクト化の時期、保持の時期、手書きの書き方を決定し、モデルが独自のコンテキストを管理する方法について検討する。 初期の研究で、オープンウェイトモデルは足場を使わずに独自のコンテキストを管理できないことが判明して以来、コンテキストツールを使わずに、トークンコストとベンチマークスコアで7つのフロンティアモデルを比較し、これら2つのモデルで広く使用されている3つのハーネスと比較した。 コーディングエクササイズ、マルチステップのSciCode問題、SWE-bench Pro と Terminal-Bench 4.0 タスクは、植込みされた事実、短命な観察、待機命令でインターリーブされ、すべて決定論的にチェックされた35-212ターンのセッションは、1つのチャットで異なるタスクで作業しているユーザに似ている。 ほとんどの最強モデルがコンテキストを管理している。コンパクトで定期的にキュレートされ、混成セッションのライブコンテキストは100kトークン以下であり、ベンチマークスコアは大幅に低下しない。 文脈をうまく管理するモデルでは、コスト削減は相当であるが、モデルによって異なる。 Claude Opus 5.5では、自己管理型ハーネスがタスク成功時のClaude Codeと、明示的な200kウィンドウ構成よりも34%、デフォルトより49%のコストで一致し、コンテキストウィンドウは選択できない。 エージェント、ベンチマーク、およびすべての結果行をリリースします。

関連論文リスト

• Benchmarks Are Surprisingly Compaction-Friendly [33.2197406196638]
  ロングホライズンエージェントタスクは、エージェントをコンテキストウィンドウを越えてプッシュしています。 タスクを継続するためには、エージェントの足場がコンテキストウィンドウを解放する必要がある。 エージェントは、タスクの制約や指示、あるいは以前の決定の背後にある彼らの推論を静かに失うことができる。
  論文  参考訳（メタデータ） (2026-10-22T18:15:54Z)
• Bud ContextCompact 2.0: Context Compaction for Agent Success and Accuracy with Small Language Models and Constrained Context Windows [0.0]
  コンテキストのコンパクト化は、セッションを継続できるように、古いターンを要約に置き換える。 損失があり、モデルコールのコストがかかります。 Bud ContextCompact 2.0は、Budエージェントランタイムに組み込まれたコンパクト化であり、2つの設定で評価する。
  論文  参考訳（メタデータ） (2026-10-18T20:15:30Z)
• Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents [76.27019209070825]
  既存のベンチマークは、固定ハーネスの下で下流タスクの成功を測定し、ハーネスエンジニアリング自体が未調査のままである。 長距離ハーネス工学を直接評価する2段階ベンチマークであるDoc2Harnessを提案する。 19のフロンティアモデルでそれぞれ328のテストケースで3つの独立したビルドで評価され、GPT-6 Astraは53.05%、最も弱いモデルでは27.44%に達した。
  論文  参考訳（メタデータ） (2026-10-14T15:24:39Z)
• Unconstrained CTI-REALM with Open-Weights [8.150475950851359]
  オープンウェイトモデルは、最強のクローズドモデルと10分の1以下のコストで一致させることができる。 ベンチマークが公開しているエージェントメッセージの制限は、相反するものだ。 同様の報酬を持つモデルは、1桁以上のコストで異なる。
  論文  参考訳（メタデータ） (2026-10-09T18:00:33Z)
• ClawArena-Team: Benchmarking Subagent Orchestration and Dynamic Workflows in Language-Model Agents [61.184954205350984]
  ClawArena-Teamは、41のマルチターン、マルチモーダル、マルチエージェントシナリオのベンチマークである。 全体的なスコア -- Subagent-Management Score (SMS) -- は、タスクの正しさを最小限のプライマリとモダリティのルーティング因子によって乗算する。
  論文  参考訳（メタデータ） (2026-06-30T06:06:08Z)
• Self-Compacting Language Model Agents [44.3231488987671]
  SelfCompactは、モデル自体がいつ、どのようにコンパクトになるかを決定できる足場である。 微調整や外部の監督なしに、効果的な適応圧縮を付与する。 以上の結果から,SelfCompactはトークンコストのごく一部で,固定区間の要約と一致するか,あるいは超えていることがわかった。
  論文  参考訳（メタデータ） (2026-06-22T16:08:34Z)
• The Scaffold Effect in Coding Agents: Harness Choice as a Hidden Variable in Coding-Agent Evaluation [0.0]
  Qwen 3.6 PlusとMiniMax M2.5を3つのオープンソースハーネスで評価した。 ハーネスの選択は、解決されたタスク毎のトークンの最大40倍の違いを誘導する。 トークン/レイテンシー予算の下で、パスレートでハーネスモデルペアを選択することを推奨する。
  論文  参考訳（メタデータ） (2026-06-08T20:27:06Z)
• Covering Human Action Space for Computer Use: Data Synthesis and Benchmark [59.01879944842542]
  コンピュータ利用エージェント(CUA)は、GPT-5.4とClaudeによって説明されているように、画面上での作業を自動化する。 しかし、複雑な低周波相互作用に対する信頼性はまだ貧弱であり、ユーザの信頼を制限している。 複雑な相互作用におけるモデルの能力を評価するための新しいベンチマークCUActSpotを提案する。
  論文  参考訳（メタデータ） (2026-05-12T17:59:58Z)
• One Battle After Another: Probing LLMs' Limits on Multi-Turn Instruction Following with a Benchmark Evolving Framework [51.50565654314582]
  大規模言語モデルは、複数のトピックにまたがる対話を通して、ユーザの指示に従うことができる。 既存のベンチマークは、しばしば一定回数のターンに制限されるため、飽和の影響を受けにくく、ユーザのインタラクティブなエクスペリエンスを考慮できない。 マルチターン命令追従能力を評価するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-05T14:39:59Z)
• CLOVER: A Test Case Generation Benchmark with Coverage, Long-Context, and Verification [71.34070740261072]
  本稿では,テストケースの生成と完成におけるモデルの能力を評価するためのベンチマークCLOVERを提案する。 ベンチマークはタスク間でのコード実行のためにコンテナ化されています。
  論文  参考訳（メタデータ） (2025-02-12T21:42:56Z)
• Dissecting Multimodality in VideoQA Transformer Models by Impairing Modality Fusion [54.33764537135906]
  VideoQA Transformerモデルは標準ベンチマークで競合性能を示す。 これらのモデルはビデオとテキストからリッチなマルチモーダル構造とダイナミックスを一緒に捉えていますか? 彼らはバイアスと刺激的な特徴を利用して高いスコアを達成していますか?
  論文  参考訳（メタデータ） (2023-06-15T06:45:46Z)

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。