論文の概要: ACARE: Agent-Context-Aware Reranker for Iterative Search

• arxiv url: http://arxiv.org/abs/2610.35840v1
• Date: Mon, 26 Oct 2026 17:53:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.135416
• Title: ACARE: Agent-Context-Aware Reranker for Iterative Search
• Title（参考訳）: ACARE: 反復検索のためのエージェントコンテキスト認識リランカ
• Abstract要約: 本稿では,Agent-Context-Aware Reranker (ACARe)について紹介する。 ACAReは検索労力を削減しつつ、ベースリランカよりも検索品質を向上させる。 また、より小さなエージェントは、より大きなエージェントに検索品質のギャップを狭めるのに役立つ。
• 参考スコア（独自算出の注目度）: 39.30752954275332
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In agentic search, a document can match an agent-generated sub-query without helping answer the user's original question. Conventional rerankers score documents against the sub-query alone, overlooking the broader task and the agent's reasoning. We introduce the Agent-Context-Aware Reranker (ACARe), a compact 4B LLM trained to rerank documents using this context when available. Across multiple benchmarks and agent families, ACARe improves retrieval quality over its base reranker while reducing search effort. These benefits extend to answer generation: ACARe improves accuracy and reduces searches over no reranking, while matching or exceeding the base reranker's mean accuracy with more precise evidence. It also helps smaller agents narrow the retrieval-quality gap to larger agents, showing how better retrieval tools can make smaller agents more effective. The model, training data, and code will be released soon.
• Abstract（参考訳）: エージェント検索では、文書は、ユーザの元の質問に答える助けなしに、エージェント生成サブクエリにマッチすることができる。 従来のリランカーは、より広範なタスクとエージェントの推論を見下ろして、サブクエリに対してのみ文書をスコアする。 本稿では,Agent-Context-Aware Reranker (ACARe)について紹介する。 複数のベンチマークやエージェントファミリにわたって、ACAReは検索労力を削減しつつ、ベースリランカの検索品質を改善している。 ACAReは精度を改善し、リランク無しで検索を減らし、ベースリランカの平均精度をより正確な証拠でマッチングまたは超過する。 また、より小さなエージェントは、より大きなエージェントに検索品質のギャップを狭めるのに役立つ。 モデル、トレーニングデータ、コードはまもなくリリースされる予定だ。

関連論文リスト

• Librarian Agents: Training LLMs to Curate Long-Context Workspaces that Anticipate Future Queries [61.486885079210055]
  構築者エージェントが生文書を階層的な合成ファイルと参照リンクに変換するフレームワークであるLibrarian Agentsを導入し、下流の応答エージェントに適したワークスペースを形成する。 経験的に、ライブラリアンエージェントはBrowseComp-Plusで最強の検索と事前計算のベースラインを33ポイント上回り、繰り返しクエリで事前構築コストを償却し、31ポイント平均精度の改善でBRIGHT上の未確認領域にゼロショットを一般化する。
  論文  参考訳（メタデータ） (2026-10-15T17:35:17Z)
• Adversarial Review: Structured Disagreement for Grounded Agentic Code Review [0.0]
  我々は,大規模マルチエージェントチームのオーバーヘッドを伴わずに,エージェントの最小化という,サブエージェントパラダイムが中間的な基盤を支えることができるかどうかを考察する。 本稿では、主符号化エージェントがレビュアーと批評家エージェントと協調して動作する最小の協調的コードレビュープロトコルであるAdversarial Review(AR)を紹介する。
  論文  参考訳（メタデータ） (2026-08-16T21:58:17Z)
• Diagnosing Search Behavior and Failure Modes in Long-Horizon Search Agents [63.2133766267587]
  ディープサーチエージェントは、証拠収集のために検索クエリを反復的に発行することで、難解な情報検索質問に答える。 本研究では,長軸探索エージェントの軌跡レベル診断を用いてこれらの質問について検討する。 我々は,各探索ステップで得られた証拠を評価し,エージェントの行動の2つの段階を分離する。
  論文  参考訳（メタデータ） (2026-08-03T08:46:48Z)
• AgentSearchBench: A Benchmark for AI Agent Search in the Wild [21.739444037726418]
  本稿では,エージェント検索のための大規模ベンチマークであるAgentSearchBenchを紹介する。 このベンチマークは、エージェント検索を検索として形式化し、実行可能タスククエリと高レベルタスク記述の両方で問題を再分類する。 実行認識型探索を含む軽量な行動信号は、ランキング品質を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2026-04-24T10:53:54Z)
• SE-Search: Self-Evolving Search Agent via Memory and Dense Reward [87.79131676521656]
  Retrieval augmented generation (RAG)は、検索した外部知識を条件づけることにより、大規模言語モデル(LLM)における幻覚や事実エラーを低減する。 既存の手法は、無関係または騒々しい文書を蓄積し、希少な強化学習信号に依存することが多い。 我々は,3つのコンポーネントによるオンライン検索行動を改善するセルフ進化検索エージェントであるtextbfSelf-textbfEvolving textbfSearchを提案する。
  論文  参考訳（メタデータ） (2026-02-06T09:14:07Z)
• Agentic-R: Learning to Retrieve for Agentic Search [82.43426728778418]
  エージェント検索に適した新しい検索学習フレームワークを提案する。 単一ターン検索拡張生成(RAG)用に設計された検索器とは違って,局所的なクエリ・パスの関連性とグローバルな回答の正当性を両立することを提案する。 我々のレトリバーは、我々のものとよばれ、異なる検索エージェント間で強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-01-17T02:59:54Z)
• ReSeek: A Self-Correcting Framework for Search Agents with Instructive Rewards [18.92867715736209]
  本稿では,検索エージェントを訓練するための自己修正フレームワークであるReSeekを提案する。 本フレームワークでは,誤探索経路からエージェントを動的に識別・復元する自己補正機構を導入している。 既存のデータセットにおけるデータ汚染のリスクを軽減するため、FictionalHotを導入する。
  論文  参考訳（メタデータ） (2025-10-01T06:44:28Z)
• Improving Document Retrieval Coherence for Semantically Equivalent Queries [63.97649988164166]
  同じ文書を検索する際のモデルのコヒーレンスを改善する訓練DRにおける多段階ランク付け損失のバリエーションを提案する。 この損失は、多様だがセマンティックな等価なクエリのために検索されたトップkランクのドキュメント間の不一致を罰する。
  論文  参考訳（メタデータ） (2025-08-11T13:34:59Z)

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。