論文の概要: Does Scaling Toward AGI Depend on What System-1 Lets System-2 Execute?

• arxiv url: http://arxiv.org/abs/2610.39497v1
• Date: Thu, 29 Oct 2026 07:00:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.053728
• Title: Does Scaling Toward AGI Depend on What System-1 Lets System-2 Execute?
• Title（参考訳）: AGIへのスケーリングはSystem-1がSystem-2の実行に依存しているか?
• Abstract要約: 予測-ゲート-実行-更新ループであるテキスト条件相互作用について検討する。 System-1は各候補の効用を推定し、System-2は適応しきい値で認められたものを実行し、結果がSystem-1を更新する。 理想的なスクリーニングと同等の実行コストの下では、実行計算は1/u$に近づき、$_u$はユーティリティ関連インタラクションの密度である。
• 参考スコア（独自算出の注目度）: 47.94879018648741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Progress toward artificial general intelligence (AGI) has largely relied on scaling a resource-intensive executive, System-2, through larger models, more data and compute, longer reasoning, and more agents. We ask whether the next stage may come instead from co-designing it with System-1, a lightweight, semantically aware predictor that evaluates candidate interactions before execution, so that System-2 acts only on those worth their cost. Our answer is a qualified yes. We study \textit{conditional interaction}, a predict--gate--execute--update loop: System-1 estimates each candidate's utility, System-2 executes those admitted by an adaptive threshold, and the outcomes update System-1. The loop spans training, test-time reasoning, adaptive decision-making, and agentic tool use, with utility and cost defined by the application. Under ideal screening and equal execution costs, execution compute falls by a factor approaching $1/ρ_u$, where $ρ_u$ is the density of utility-relevant interactions (cost-weighted when costs differ); prediction errors, exploration, and distribution shift reduce the saving. We bound selection regret by predictor error and the utility margin. These results motivate our central hypothesis: $ρ_u$ is a measurable coordinate of scaling efficiency and makes informative compute a better description of scaling than total compute.
• Abstract（参考訳）: 人工知能(AGI)への進歩は、リソース集約型エグゼクティブであるSystem-2を、より大きなモデル、より多くのデータと計算、長い推論、より多くのエージェントを通じてスケールアップすることに大きく依存している。 実行前に候補のインタラクションを評価する軽量でセマンティックに認識された予測器であるSystem-1と共同設計することで、System-2がコストに見合うものにしか機能しないかどうかを問う。 私たちの答えは適格なイエスです。 System-1は各候補の効用を推定し、System-2は適応しきい値で承認されたものを実行し、結果がSystem-1を更新する。 このループは、トレーニング、テスト時の推論、適応的な意思決定、エージェントツールの使用、そしてアプリケーションによって定義されたユーティリティとコストにまたがる。 理想的なスクリーニングと同等の実行コストの下では、実行計算は1/ρ_u$に近づき、$ρ_u$はユーティリティ関連相互作用の密度(コストの違いによるコスト重み付け)、予測エラー、探索、分散シフトによって削減される。 我々は、予測誤差とユーティリティマージンによって選択を後悔する。 これらの結果は我々の中心的な仮説を動機付けている: $ρ_u$ はスケーリング効率の計測可能な座標であり、情報計算は総計算よりも優れたスケーリング記述を与える。

関連論文リスト

• Scaling Laws for Behavioral Foundation Models over User Event Sequences [2.924581427482972]
  本稿では、共通の2部分の振る舞いモデルアーキテクチャ、特徴ベースのイベント埋め込み、デコーダのみの変換器について検討する。 約600回にわたって、実際のインタラクションデータで動作し、トレーニング用FLOPは1015ドルから1019ドルの範囲で、デプロイ関連軸が4つあります。 計算最適トレーニングは低計算時のテキストと比較してデータ量が多いが、計算量が増加するにつれて、そのD/N$比はチンチラに向かう。
  論文  参考訳（メタデータ） (2026-06-03T15:59:25Z)
• Scaling Laws for Agent Harnesses via Effective Feedback Compute [53.68149869349268]
  emphEffective Feedback Compute (EFC)は、情報的、有効、非冗長な場合にのみフィードバックを信用し、その後の決定のために保持するトレースレベルのスケーリング座標である。 EFCベースの座標は、生の計算ベースラインよりも失敗率を常に予測する。
  論文  参考訳（メタデータ） (2026-05-28T09:45:47Z)
• Adaptive Test-Time Compute Allocation for Reasoning LLMs via Constrained Policy Optimization [18.737087162461563]
  テストタイムの計算スケーリングは、大規模言語モデルのパフォーマンスを向上させるための強力なレバーとなっている。 しかし、これらのテクニックを有限の推論予算の下で展開するには、現在のシステムがほとんど無視する決定が必要である。 我々はこれを制約付き最適化問題(平均計算予算の予測精度を最大化する)として定式化し、2段階のソルベ・テン・ラーンパイプラインで解いた。
  論文  参考訳（メタデータ） (2026-04-16T10:39:22Z)
• Abduct, Act, Predict: Scaffolding Causal Inference for Automated Failure Attribution in Multi-Agent Systems [20.846301581161978]
  マルチエージェントシステムにおける障害帰属は、批判的だが未解決の課題である。 現在の手法では、これを長い会話ログ上のパターン認識タスクとして扱う。 A2P Scaffoldingは、パターン認識から構造化因果推論タスクへの障害帰属を変換する。
  論文  参考訳（メタデータ） (2025-09-12T16:51:15Z)
• Runaway is Ashamed, But Helpful: On the Early-Exit Behavior of Large Language Model-based Agents in Embodied Environments [54.67512489842682]
  大規模言語モデル(LLM)は、複雑な実施環境において、強力な計画と意思決定能力を示す。 LLMをベースとしたエージェントの早期退避行動を探究する第一歩を踏み出す。
  論文  参考訳（メタデータ） (2025-05-23T08:23:36Z)
• What should an AI assessor optimise for? [57.96463917842822]
  AIアセスタ(AI Assessmentor)は、他のAIシステムの指標(損失値など)を予測する、外的、理想的には不適切なシステムである。 ここでは、問題に対処する: 常にターゲットメトリックのアセスメントをトレーニングするのが最適か? 本研究では, モノトニック写像と非モノトニック写像を用いた回帰損失と分類スコアについて実験的に検討した。
  論文  参考訳（メタデータ） (2025-02-01T08:41:57Z)
• Target Variable Engineering [0.0]
  数値的対象を予測するために訓練された回帰モデルの予測性能と、2項化対象を予測するために訓練された分類器を比較した。 回帰は最適性能に収束するためには、はるかに多くの計算作業を必要とする。
  論文  参考訳（メタデータ） (2023-10-13T23:12:21Z)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)

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。