論文の概要: MarkovSim: an LLM Agent Harness with Bounded Context for Long-Horizon Computational Simulation
- arxiv url: http://arxiv.org/abs/2610.35349v1
- Date: Mon, 26 Oct 2026 12:41:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.929935
- Title: MarkovSim: an LLM Agent Harness with Bounded Context for Long-Horizon Computational Simulation
- Title（参考訳）: MarkovSim:長期計算シミュレーションのためのコンテキスト境界付きLLMエージェントハーネス
- Abstract要約: 本稿では,長期計算シミュレーションのためのエージェントハーネスであるMarkovSimを提案する。
コアはワークフローに組み込まれたコンテキスト管理スキームである。
18点中16点を突破し、解法演算とモデル物理学の両方の欠点を修正した。
- 参考スコア（独自算出の注目度）: 7.083077232971239
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent studies have applied large language model (LLM) agent systems to computational simulation workflows. Such workflows are long-horizon, so the information generated can exceed what an LLM can reason over at once, its context window. Context management is therefore essential, yet existing systems have either neglected it or treated it as a supporting mechanism rather than a subject of study. This paper presents MarkovSim, an LLM agent harness for long-horizon computational simulation, whose core is a context management scheme built into the workflow. The workflow record is written to a memory system with a predefined schema, and at workflow-defined boundaries, namely the state transitions of a finite-state machine a compact representation of the solution progress is constructed from it as the agent's context. Instantiated on finite element analysis and evaluated on six benchmark problems, MarkovSim passed 16 of 18 runs and corrected its own faults in both the solver operations and the model physics. The engineer was consulted only where engineering judgement was needed. The context remained bounded throughout every run, regardless of its length.
- Abstract（参考訳）: 近年,大規模言語モデル (LLM) エージェントシステムを計算シミュレーションワークフローに適用している。
このようなワークフローは長い水平なので、生成した情報は、LCMがそのコンテキストウィンドウである、一度に推論できるものを超えることができる。
そのため、コンテキスト管理は不可欠であるが、既存のシステムはそれを無視するか、研究対象ではなく支援メカニズムとして扱うかのどちらかである。
本稿では,LLMエージェントハーネスであるMarkovSimについて述べる。
ワークフローレコードは、予め定義されたスキーマでメモリシステムに書き込まれ、ワークフロー定義境界では、有限状態マシンの状態遷移、すなわち、ソリューション進行のコンパクトな表現がエージェントのコンテキストとして構成される。
有限要素解析に基づいて6つのベンチマーク問題の評価を行い、マルコフシムは18点中16点を突破し、解法演算とモデル物理学の両方の欠点を修正した。
技術者は、エンジニアリングの判断が必要な場所でのみ相談された。
コンテキストは、その長さに関わらず、実行中ずっと境界づけられていた。
関連論文リスト
- TRACE: Tackling Real-World Resource Assignment Problems via Agentic Heuristic Design [12.936419360138045]
動的リソース割り当て — タスクストリームを異種処理ノードにリアルタイムに割り当てる — は、現代のコンピューティングインフラストラクチャのバックボーンである。
本稿では,進化的AHDループとエージェント知識抽出を結合したTRACEを提案する。
TRACEは、リソース割り当て問題において最先端のAHDメソッドを一貫して上回り、2%以上のオーバーヘッドで監査可能なリソースを得る。
論文 参考訳（メタデータ） (2026-10-01T15:38:04Z) - From Atomic to Agentic: Towards Interpretable Evaluation of LLMs' Agentic Mathematical Capabilities [103.60384544335072]
大規模言語モデル(LLM)は、エンドツーエンドの数学的推論からエージェントインテリジェンスの統合へと進化している。
本フレームワークは,問題解決エージェントの挙動を,再利用可能な数学的原子能力の構造化された分類法と整合させる。
実験により、同様のエンドツーエンドの精度を持つモデルでは、エージェント能力プロファイルが著しく異なることが判明した。
論文 参考訳（メタデータ） (2026-08-27T10:52:06Z) - From Paper to Program: Accelerating Quantum Many-Body Algorithm Development via a Multi-Stage LLM-Assisted Workflow [4.866193347313755]
大規模言語モデル(LLM)は高速にコードを生成することができるが、科学的アルゴリズムでは信頼性が低い。
本稿では,理論抽出,形式仕様,コード実装を分離した多段階LLM支援ワークフローを提案する。
論文 参考訳（メタデータ） (2026-04-05T12:12:54Z) - Understanding by Reconstruction: Reversing the Software Development Process for LLM Pretraining [66.89012795621349]
大規模言語モデル(LLM)は、複雑なソフトウェア工学に必要な、深く、長期にわたる推論に苦しむことが多い。
本稿では,再構築による理解という,新しいパラダイムを提案する。
マルチエージェントシミュレーションを用いて潜在エージェント軌道を合成するフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-11T09:23:20Z) - Large Language Model Agent for User-friendly Chemical Process Simulations [0.0]
大規模言語モデル (LLM) エージェントは AVEVA Process Model Protocol (MCP) と統合され、自然言語のシミュレーションを可能にする。
2つのケーススタディは、異なるタスクの複雑さと相互作用モードにわたるフレームワークを評価する。
このフレームワークは、技術的な概念の翻訳と実証によって教育目的と、データ抽出の自動化、ルーチンタスクの高速化、サポートによって経験豊富な実践者の両方に役立ちます。
オーバーシンプル化、計算エラー、技術的ヒックアップといった現在の制限は専門家の監視を必要とするが、このフレームワークはLSMベースのエージェントが貴重な協力者になれることを示唆している。
論文 参考訳（メタデータ） (2026-01-15T12:18:45Z) - Eliminating Agentic Workflow for Introduction Generation with Parametric Stage Tokens [3.6588919376939733]
我々は外部エージェントを排除して研究紹介を書くことを提案する。
代わりに、我々はそれらの論理構造を大きな言語モデルにパラメータ化します。
これにより、単一の推論で完全な導入が生成される。
論文 参考訳（メタデータ） (2025-12-28T12:51:36Z) - Managing the Stochastic: Foundations of Learning in Neuro-Symbolic Systems for Software Engineering [0.27195102129094995]
AIコーディングエージェントに対する現在のアプローチは、大規模言語モデルとエージェント自体の境界を曖昧にしている。
本稿では, LLM が環境環境の構成要素として扱われるように制御境界を設定することを提案する。
論文 参考訳（メタデータ） (2025-12-18T15:28:21Z) - Benchmarking Agentic Workflow Generation [80.74757493266057]
複数面シナリオと複雑なグラフワークフロー構造を備えた統合ワークフロー生成ベンチマークであるWorfBenchを紹介する。
また,サブシーケンスとサブグラフマッチングアルゴリズムを利用したシステム評価プロトコルWorfEvalを提案する。
我々は、生成されたタスクが下流のタスクを強化し、推論中により少ない時間で優れたパフォーマンスを達成することを観察する。
論文 参考訳（メタデータ） (2024-10-10T12:41:19Z)
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。