論文の概要: When the Critic Falls Behind: Co-Evolving Rubrics and Harnesses for Continual Agent Self-Improvement

• arxiv url: http://arxiv.org/abs/2610.36826v1
• Date: Tue, 27 Oct 2026 08:24:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.545409
• Title: When the Critic Falls Behind: Co-Evolving Rubrics and Harnesses for Continual Agent Self-Improvement
• Title（参考訳）: 批判的転落が引き起こす時- 継続的なエージェントの自己改善のための共進化のルービックとハーネス
• Abstract要約: RuHarnessは、連続エージェントの自己改善のためのルーリック・ハーネスの共同進化フレームワークである。 RuHarnessは、強力なハーネス進化ベースラインよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 72.53794266506243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous agents increasingly depend on harnesses that govern interaction, memory, tools, and execution around large language models (LLMs). While recent work has begun to evolve these harnesses from execution experience, the supervision used to guide evolution often remains relatively static, making it difficult to track changing behavioral weaknesses across rounds and potentially limiting generalization to unseen tasks. To address this issue, we propose RuHarness, a rubric--harness co-evolution framework for continual agent self-improvement. RuHarness continually discovers and reassesses behavioral criteria from execution trajectories, prioritizes the most relevant unresolved weaknesses, and uses them to guide targeted harness updates while keeping the task objective fixed. Extensive experiments across diverse agent tasks and backbone models show that RuHarness outperforms strong harness-evolution baselines, particularly on unseen held-out tasks. Further analyses show that adaptive rubric prioritization tracks shifting weaknesses and supports more sustained improvement and stable generalization across evolution rounds.
• Abstract（参考訳）: 自律エージェントは、大きな言語モデル(LLM)を中心としたインタラクション、メモリ、ツール、実行を管理するハーネスにますます依存している。 最近の研究は、これらのハーネスを実行経験から進化させ始めているが、進化を導くのに使われる監督は、しばしば比較的静的であり、ラウンド間での振る舞いの弱点の変化を追跡することは困難であり、一般化を目に見えないタスクに制限する可能性がある。 この問題に対処するために,連続エージェント自己改善のためのルーリック・ハーネス共進化フレームワークであるRuHarnessを提案する。 RuHarnessは、実行軌跡から行動基準を発見し、再評価し、最も関係のない未解決の弱点を優先順位付けし、タスクの目的を固定しながら、ターゲットとするハーネス更新をガイドする。 多様なエージェントタスクとバックボーンモデルにわたる大規模な実験は、RuHarnessが強力なハーネス進化ベースライン、特に目に見えないホールトアウトタスクを上回っていることを示している。 さらなる分析により、適応的なルーリック優先順位付けは弱点をシフトさせ、より持続的な改善と進化ラウンド間の安定な一般化をサポートすることが示されている。

関連論文リスト

• Self-Evolving Agents Can Repair Failures but Struggle to Generalize from Them [62.767134439822]
  CFOE(Cold-Start Failure-Only Evolution)は、エージェントが経験の蓄積なしに開始し、特権的なガイダンスなしで失敗するインタラクションからのみ学習する手法である。 障害から派生したエクスペリエンスは、以前失敗したタスクの修復に役立ちますが、目に見えないタスクに対する継続的な改善をもたらすことはめったにありません。 これらの結果から、現在の自己進化剤は、障害から一般化可能な能力を構築するよりも、観測された障害の修復に優れていることが示唆された。
  論文  参考訳（メタデータ） (2026-10-16T06:10:01Z)
• 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)
• SEABench: Benchmarking Endogenous Misalignment In Self-Evolving Agents [49.54988737892722]
  自己進化型LDMエージェントは、ハーネスを変更することで、デプロイ後に改善する能力で有名になった。 SEABenchは、エージェントの自己進化から生じる内因性不整合を研究するためのベンチマークである。 自己進化はタスク完了率を高めるが、安全上の失敗の犠牲になることが多い。
  論文  参考訳（メタデータ） (2026-09-28T16:46:25Z)
• ARISE: Adapting to Evolving Capability Gaps in Agentic Reinforcement Learning [28.762002702466532]
  ARISEは、ロールアウトエビデンスを使用して評価基準、探索ガイダンス、トレーニング優先順位を継続的に適用する強化学習フレームワークである。 ARISEは、全体的なタスクパフォーマンスとトレーニング効率の両方をうまく向上させる。
  論文  参考訳（メタデータ） (2026-09-28T16:14:07Z)
• ModularRSI: Modular and Generalizable Recursive Harness Self-Improvement [46.36989489677189]
  我々は、一般化可能なハーネス進化のための、ベンチマーク非結合、コントラストおよびモジュラーフレームワークを提案する。 ModularRSIは、同じタスクに対する成功と失敗の軌跡を対比し、繰り返し発生する行動障害を特定するために、タスク全体で証拠を集約する。 進化可能なハーネスを,エージェントループ,ツール使用,監視管理,コンテキスト管理,タスク補完検出という,5つの機能モジュールに分解する。
  論文  参考訳（メタデータ） (2026-09-14T00:10:45Z)
• EVOHARNESSBENCH: Can Your Agents Keep Pace with an Evolving Harness? [83.21711423118768]
  EVOHARNESSBENCHは、制御されたハーネス進化下でエージェントを評価するためのベンチマークである。 検証器ベースのベンチマークから決定的に構築された17のマルチステージハーネスストリームを含んでいる。
  論文  参考訳（メタデータ） (2026-09-03T03:24:02Z)
• HarnessEvolve: Learning from Reference Trajectories for Reliable Agent Self-Evolution [11.431479238875712]
  我々は、信頼できるエージェントの自己進化を実現するために、参照軌道から学習する自己進化フレームワークであるHarnessEvolveを紹介する。 私たちは、さまざまなモデルとエージェントフレームワークを使用して、オープンドメインとエンタープライズシナリオにまたがるいくつかのベンチマークで広範な実験を行います。 結果は、HarnessEvolveがすべてのベンチマークと設定で、最先端のベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-09-01T07:31:18Z)
• Evo-Bench: Can Language Models Improve Agent Harness? [44.72089415085898]
  Evo-Benchは、検索、オフィス、ジェネラルエージェントドメインにまたがるモデル固有のハーネス進化能力を評価するために設計された最初のベンチマークである。 トップモデルは16.6ポイントに達し、最先端の人間工学ベースラインに近づいた。
  論文  参考訳（メタデータ） (2026-08-10T03:49:28Z)

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。