論文の概要: The View from Nowhere: Population-Centered Agent Evolution

• arxiv url: http://arxiv.org/abs/2610.36660v1
• Date: Tue, 27 Oct 2026 05:24:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.487452
• Title: The View from Nowhere: Population-Centered Agent Evolution
• Title（参考訳）: どこからともなく見る: 人口中心のエージェント進化
• Abstract要約: 自己改善型AIシステムは、自身の行動を管理する設計を改訂することができる。 既存のアプローチは、選択された親エージェントとその進化経験の改善に焦点を当てている。 我々はこの原則を人口中心進化(PCE)としてインスタンス化する。
• 参考スコア（独自算出の注目度）: 12.239635508534263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Self-improving AI systems can revise the designs that govern their own behavior. Yet existing approaches center improvement on selected parent agents and their evolutionary experience, leaving the broader population largely underused. We identify a substantial gap between population coverage (i.e., the tasks solved by at least one evolved variant) and the performance of the best individual agent. This gap shows that useful capabilities and diagnostic evidence emerge across the population without being consolidated into its leading agents. These observations motivate the view from nowhere, a principle for agent evolution: an agent should be improved by interpreting its behavior through population-wide patterns of success, failure, and prior self-modification. We instantiate this principle as Population-Centered Evolution (PCE). PCE distils task records and modification histories from the population into a population block, which captures recurring failures, complementary successes, and the effects of previously attempted modifications to guide improvements to a selected parent's harness. Under matched models, initial harnesses, and evolution schedules, PCE achieves 72.1% success on SWE-bench Verified and 96.7% on Polyglot, improving over a strong group-evolution baseline by 3.2 and 5.9 percentage points. In our evaluation, PCE reduces the gap between population coverage and best-agent performance by one-third on SWE-bench and closes it on Polyglot. These results suggest that treating the population as evidence--not merely as candidates for selection--provides a complementary principle for agent evolution.
• Abstract（参考訳）: 自己改善型AIシステムは、自身の行動を管理する設計を改訂することができる。 しかし、既存のアプローチは、選択された親エージェントとその進化経験の改善に焦点を合わせ、より広い人口は大部分が過小評価されている。 我々は、人口被覆(少なくとも1つの進化した変種によって解決されたタスク)と、最も優れた個人エージェントのパフォーマンスの実質的なギャップを識別する。 このギャップは、有効な能力と診断の証拠が、主要なエージェントに統合されることなく、人口全体に現れることを示している。 これらの観察は、エージェント進化の原則である、どこからでもその見解を動機付けている: エージェントは、集団全体の成功、失敗、そして以前の自己修正のパターンを通して、その振る舞いを解釈することによって改善されるべきである。 我々はこの原則を人口中心進化(PCE)とみなす。 PCEは、集団からのタスクレコードと修正履歴を消去し、繰り返し発生する失敗、補完的な成功、および、選択された親のハーネスの改善を導くために以前に試みられた修正の効果をキャプチャする。 一致したモデル、初期ハーネス、進化のスケジュールの下で、PCEはSWE-bench Verifiedで72.1%、Polyglotで96.7%成功し、強力なグループ進化ベースラインを3.2と5.9ポイント改善した。 評価では,PCEはSWEベンチにおいて,人口被覆率とベストエージェントのパフォーマンスのギャップを3分の1減らし,ポリグロットで閉鎖する。 これらの結果は、人口を単なる選択候補としてではなく証拠として扱うことが、エージェント進化の補完的な原則であることを示している。

関連論文リスト

• Causal Improvement Graph for Agentic Harness Optimization [85.77143316265415]
  因果改善グラフ(Causal Improvement Graph, CIG)は、永続グラフにおける改善状態の進化を外部化する、グラフが支配するメタハーネスフレームワークである。 CIGはノードをリンクして、観察されたこと、どのように説明されるか、その説明をテストする方法、そして評価が示すものを表す。
  論文  参考訳（メタデータ） (2026-10-04T08:15:37Z)
• Predict Before You Modify: Learning Improvement Dynamics for Self-Evolving Agents [23.5516981564157]
  編集可能な改善ダイナミクスモデル(IDM)による予測自己進化を導入する。 評価の前に、IMMは提案された修正のタスクレベルの結果を予測し、オプションの修正を導く。 評価後、過去の修正とその観察結果を用いてIMMを改善し、世代間で予測知識を蓄積する。
  論文  参考訳（メタデータ） (2026-09-26T18:59:47Z)
• CORAL: Towards Autonomous Multi-Agent Evolution for Open-Ended Discovery [67.47220507982522]
  大規模言語モデル(LLM)ベースの進化は、オープンな発見のための有望なアプローチである。 オープンエンド問題における自律的マルチエージェント進化のための最初のフレームワークであるCORALを紹介する。 コーラルは、厳格な制御を長期にわたるエージェントに置き換え、探索し、反射し、協力する。
  論文  参考訳（メタデータ） (2026-04-02T05:59:06Z)
• Group-Evolving Agents: Open-Ended Self-Improvement via Experience Sharing [26.102738613616456]
  Group-Evolving Agents (GEA)は、エージェントのグループを基本的な進化単位として扱う。 我々はGAAを、最先端の自己進化手法を著しく上回る、挑戦的なコーディングベンチマークで評価する。
  論文  参考訳（メタデータ） (2026-02-04T18:29:36Z)
• C-Evolve: Consensus-based Evolution for Prompt Groups [43.256446610084986]
  本稿では,集約された出力が最適性能を達成するプロンプト群を探索する進化的アルゴリズムであるConsensus-Evolve(C-Evolve)を紹介する。 C-Evolveは個体数の多様性を維持するために島を基盤とした進化的アルゴリズムを採用しており、異なる島々からのプロンプトはグループを形成するために選択される。 本手法は,HotpotQAのようなオープンエンドタスクとMATHのようなクローズドエンドタスクの両方を含む,幅広いタスクにおける最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-09-27T14:35:49Z)
• Assessing the Potential of Generative Agents in Crowdsourced Fact-Checking [7.326813521586858]
  大規模言語モデル(LLM)は、ファクトチェックタスク全体で強いパフォーマンスを示している。 本稿では,伝統的にヒトの群集に予約されていた事実確認作業に,生成エージェントが有意義に寄与するかどうかを考察する。 エージェント・群衆は、誠実さの分類において人間の群衆より優れ、内部の一貫性が高く、社会的および認知的バイアスに対する感受性が低下している。
  論文  参考訳（メタデータ） (2025-04-24T18:49:55Z)
• Agent Alignment in Evolving Social Norms [65.45423591744434]
  本稿では,エージェント進化とアライメントのための進化的フレームワークであるEvolutionaryAgentを提案する。 社会規範が継続的に進化する環境では、エージェントは現在の社会規範に適応し、生存と増殖の確率が高くなる。 進化的エージェントは、一般的なタスクにおいてその能力を維持しながら、進化する社会規範と徐々に整合できることを示す。
  論文  参考訳（メタデータ） (2024-01-09T15:44:44Z)

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。