論文の概要: From Grind to Grasp

• arxiv url: http://arxiv.org/abs/2610.38728v1
• Date: Wed, 28 Oct 2026 19:24:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.998947
• Title: From Grind to Grasp
• Title（参考訳）: Grind (複数形 Grinds)
• Abstract要約: 学習と永続性は、初期の作業の産物を再利用することによって、深い成果を浅いものにすることができる、と私たちは主張する。 限られた作業予算を持つエージェントにとって、そのようなリソースの構築と維持の価値は、その目標をどのようにサポートするかに依存します。
• 参考スコア（独自算出の注目度）: 0.4449558225122028
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discussions of complexity, knowledge and intelligence often overlook the work involved. For example, outputs generated by short programs have low algorithmic complexity but can have high computational depth, the least work needed to produce them from near-shortest programs. Producing them with less work can require longer descriptions, giving high work-bounded complexity. We introduce a formalism that compares achievements under work and information limits and describes how learning and persistence can make deep achievements shallow by reusing products of earlier work. For an agent with a limited work budget, the value of building and maintaining such resources depends on how they support its goals over later tasks. We define grasp as performance across work budgets at a fixed information allowance. Low grasp can still yield success through grind at high cost in work, without necessarily improving human grasp. Applied to improvement itself, grasp gives a criterion for recursive self-improvement in which successors make comparable further improvements more efficiently. Another route to faster progress is to expand the resources brought to bear through knowledge sharing and coordination across society, even while comparable advances require increasing work. Grasp also applies to collectives, which may outperform their members yet require more total work than one system with their combined resources. Establishing and sustaining organisation can itself be deep even when the primary task is simple. These demands may help explain the richness of biological and social systems. In agent collectives, this organisational work can generate goals beyond assigned tasks, including maintaining the collective itself. We therefore caution against allowing an emergent agent society to assume authority over social coordination, since it could increasingly direct work towards its own persistence and goals.
• Abstract（参考訳）: 複雑さ、知識、知性に関する議論は、しばしば関連する仕事を見落としている。 例えば、ショートプログラムによって生成される出力はアルゴリズムの複雑さが低いが、高い計算深度を持つ可能性がある。 少ない作業で生産するには、長い記述が必要になり、作業バウンドの複雑さが高くなります。 作業中の成果と情報限界を比較するフォーマリズムを導入し、学習と永続化が、以前の作業のプロダクトを再利用することによって、深い成果を浅いものにする方法を説明する。 限られた作業予算を持つエージェントにとって、そのようなリソースの構築と維持の価値は、後のタスクでその目標をどのようにサポートするかにかかっている。 我々は、情報提供の固定化によって、作業予算全体のパフォーマンスを把握できると定義します。 低い握りは、高いコストで研削することで、必ずしも人間のつかみを改善することなく、成功をもたらすことができる。 改善そのものに適用すると、グリップは再帰的な自己改善の基準を与える。 進歩を早める別の道は、社会全体で知識の共有と調整を通じてもたらされる資源を拡大することである。 また、Graspは集合体にも適用され、メンバーの業績は上回るが、統合されたリソースを持つ複数のシステムよりも全体的な作業を必要としている。 組織の構築と維持は、第一のタスクがシンプルであっても、それ自体が深いものです。 これらの要求は、生物学的および社会システムの豊かさを説明するのに役立つかもしれない。 エージェント集団では、この組織的作業は、集合体自体の維持を含む、割り当てられたタスク以上の目標を生成することができる。 したがって,創発的なエージェント・ソサエティが社会的コーディネーションの権限を負うことを許すことに注意する。

関連論文リスト

• Goal-Aware Dynamic Multi-Agent Collaboration for Long-Horizon Tasks [56.175672744850004]
  本研究では,長期執行における単一エージェントの業務管理方法について検討する。 エージェントは全体目標の追跡を失い、事前の調査を繰り返すことができる。 本稿では,サブタスクとその依存関係を整理するためのGAD(Goal-Aware Dynamic Multi-Agent Collaboration)を提案する。
  論文  参考訳（メタデータ） (2026-10-29T02:15:35Z)
• Knowledge-Centric Self-Improvement [28.85741798328687]
  自己改善型AIシステムはエージェントを、プロンプト、ハーネス、さらにはエージェント自身のコードを最適化することによって改善するオブジェクトとして扱う。 このエージェント中心のビューは、メンテナンスにコストがかかり、転送が困難になる。 我々は,エージェントが汎用的で使い捨てであるような,知識中心の自己改善という補完的パラダイムについて研究する。
  論文  参考訳（メタデータ） (2026-07-21T21:38:39Z)
• HERAKLES: Hierarchical Skill Compilation for Open-ended LLM Agents [29.437416274639165]
  HERAKLESは、2段階の階層的オートテリックエージェントによって、マスタ化された目標を低レベルポリシーに継続的にコンパイルすることを可能にするフレームワークである。 目標の複雑さを効果的にスケールし、スキルコンパイルによるサンプル効率を改善し、エージェントが時間とともに新しい課題に頑健に適応できるようにする。
  論文  参考訳（メタデータ） (2025-08-20T14:50:28Z)
• Don't lie to your friends: Learning what you know from collaborative self-play [63.0121884175594]
  我々は、AIエージェントが知っていることを教えるために、根本的に新しいアプローチを提案する。 我々は,集団が正解に到達して報奨を受けるマルチエージェントコラボレーションを構築した。 望ましいメタ知識は、相互作用の構造に組み込まれたインセンティブから生まれる。
  論文  参考訳（メタデータ） (2025-03-18T17:53:20Z)
• Unleashing the Emergent Cognitive Synergy in Large Language Models: A Task-Solving Agent through Multi-Persona Self-Collaboration [116.09561564489799]
  Solo Performance Promptingは、複数のペルソナと多ターンの自己コラボレーションをすることで、単一のLCMを認知的シナジストに変換する。 認知シナジスト(英: Cognitive Synergist)は、複雑なタスクにおける問題解決を強化するために、複数の心の強みと知識を協調的に結合するインテリジェントエージェントである。 より詳細な分析により,LLMに複数の微粒なペルソナを割り当てることによって,単一あるいは固定数のペルソナに比べて問題解決能力が向上することが示された。
  論文  参考訳（メタデータ） (2023-07-11T14:45:19Z)
• Hierarchical Empowerment: Towards Tractable Empowerment-Based Skill Learning [65.41865750258775]
  汎用エージェントは、大量のスキルのレパートリーを必要とする。 我々は、コンピューティングのエンパワーメントをより魅力的にする新しいフレームワーク、階層エンパワーメントを導入します。 一般的なアリナビゲーション領域では、我々の4つのレベルエージェントは、以前の作業よりも2桁大きい表面積をカバーするスキルを学ぶことができる。
  論文  参考訳（メタデータ） (2023-07-06T02:27:05Z)
• Reward is not Necessary: How to Create a Modular & Compositional Self-Preserving Agent for Life-Long Learning [0.0]
  本稿では、エージェントの能力を測定して、遷移演算子の下で実現可能な多くの未来を実現する、本質的なモチベーションの指標のみを使用することが可能であることを示す。 演算子ベルマン方程式を用いて階層状態空間へのエンパワーメントをスケールすることを提案する。
  論文  参考訳（メタデータ） (2022-11-20T02:48:01Z)
• Towards an Interpretable Hierarchical Agent Framework using Semantic Goals [6.677083312952721]
  本研究は、計画と意味的目標を指向した強化学習を組み合わせることで、解釈可能な階層型エージェントフレームワークを導入する。 我々は,ロボットブロック操作タスクの枠組みを評価し,他の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-10-16T02:04:13Z)
• Possibility Before Utility: Learning And Using Hierarchical Affordances [21.556661319375255]
  強化学習アルゴリズムは複雑な階層的依存構造を持つタスクに苦労する。 本稿では、より効果的な学習のために不可能なサブタスクを実践するために、階層的アフォーマンス学習(HAL)という階層的アフォーマンス学習(HAL)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T19:17:22Z)
• Hierarchical Reinforcement Learning as a Model of Human Task Interleaving [60.95424607008241]
  我々は、強化学習によって駆動される監督制御の階層モデルを開発する。 このモデルは、タスクインターリービングの既知の経験的効果を再現する。 その結果、階層的RLがタスクインターリービングのもっともらしいモデルとして支持された。
  論文  参考訳（メタデータ） (2020-01-04T17:53:28Z)

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。