論文の概要: Operon-S1: a fast decision controller for long-horizon biomedical agents
- arxiv url: http://arxiv.org/abs/2610.41350v1
- Date: Fri, 30 Oct 2026 07:07:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.638896
- Title: Operon-S1: a fast decision controller for long-horizon biomedical agents
- Title（参考訳）: Operon-S1 : 長期バイオメディカルエージェントの高速決定制御
- Abstract要約: Operon-S1は、判断と判断を分離する高速な決定システムである。
決定ハーネスは、13の判定ポイントでクローズドな質問として、エージェントの繰り返しの判断を反映する。
- 参考スコア（独自算出の注目度）: 4.004912748934092
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Language-model agents now carry out long scientific work in biology, but their judgements about conventions, skills, errors, evidence and stopping are made inside the reasoning that does the work, where they cannot be measured, replaced or improved on their own. Here we present Operon-S1, a fast decision system, a System 1 for the agent, that separates judging from doing. A decision harness poses the agent's recurring judgements as closed questions at 13 decision points and acts only through fixed messages that never contain an answer, so any model that answers the questions can serve as the judge. Across seven life-science benchmarks, a local decision model took over these judgements in 0.6 s at the median for an in-loop request on CPU at no request cost, with no measurable change in the agent's score on five of six benchmarks, whereas the general language model that drives the agent, asked the same questions, accounted for 8.0% to 35.2% of task cost. Every decision is recorded with its consequence. Retraining on labels from task construction, verifiers or execution raised decision accuracy on every question in each of three trained versions, and a new version enters service only through a promotion gate. Task-level results in this study use the public checkpoint. The same closed decisions serve wet-laboratory protocol troubleshooting and the design of a germline target enrichment panel. Like the regulator of an operon, which switches genes on and off without making their products, Operon-S1 steers the agent without doing its work, and makes the agent's judgements a layer that can be measured, replaced and trained.
- Abstract（参考訳）: 言語モデルエージェントは現在、生物学における長い科学的研究を行っているが、それらの慣習、スキル、エラー、証拠、停止に関する判断は、それらが測定できない、置き換えられない、あるいはそれ自身で改善できない理由の中で行われる。
ここでは、迅速な意思決定システムであるエージェントのためのシステム1であるOperon-S1について述べる。
決定ハーネスは、エージェントが13の意思決定ポイントでクローズドな質問として繰り返し判断し、答えを含まない固定メッセージを通してのみ作用するので、質問に答えるモデルは、裁判官として機能する。
7つのライフサイエンスベンチマークで、CPUのループ内要求の中央値は0.6秒で、エージェントのスコアは6つのベンチマークのうち5つで測定できないが、エージェントを駆動する一般的な言語モデルは、タスクコストの8.0%から35.2%を占めていた。
すべての決定は、その結果として記録される。
タスク構築、検証、実行からラベルをリトレーニングすることで、3つのトレーニングされたバージョンごとに決定精度が上がり、新しいバージョンはプロモーションゲートを介してのみサービスに入る。
本研究におけるタスクレベルの結果は、公開チェックポイントを用いている。
同様にクローズドな決定は、ウェットラボレーショナルプロトコルのトラブルシューティングと、生殖細胞標的濃縮パネルの設計に役立っている。
遺伝子をオン/オフするオペロンのレギュレータのように、Operon-S1は仕事をせずにエージェントを操り、エージェントの判断を測定、置換、訓練できるレイヤーにする。
関連論文リスト
- EmbodiedLab: Benchmarking Embodied Agents That Act to Know [60.785006927377005]
身体的エージェントは、どのように、いつ周囲と対話するかを自分で決めることで、現実世界の目標を達成することが期待されている。
EmbodiedLabは、ロボットが知る必要があるベンチマークです。
開発者のコーディングエージェントにおける6つのフロンティアモデルについて、ネイティブな観察と制御を行い、知覚とモーションプランニングを加えて評価した。
論文 参考訳（メタデータ） (2026-10-26T13:06:33Z) - JevAgentHarness: Benchmarking, Deploying and Training Decision Models That Share Control with LLMs [67.3059941230326]
大規模言語モデル(LLM)エージェントは、ソフトウェアを修正し、コンピュータを操作し、顧客にサービスを提供するが、そのハーネス、そしてそれらを実行するプログラムは、すべてのステップで大きなLLMを呼び出す。
ハーネスがこれらの決定を、ほとんど成功しない決定モデルに委譲する方法を問う。
AgentDecisionBenchは独立した質問から決定モデルをテストし、公開ベンチマークとDecisionGym環境上で実行中のエージェントを制御する。
次に、JevAgentHarnessを設計します。これは、エージェント自身の軌道上の各選択のしきい値に適合し、LLMがその下にあることを判断します。
論文 参考訳（メタデータ） (2026-10-15T07:27:08Z) - AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks [67.28108897589799]
AgentHorizonは、1,373のコンピュータ利用タスクのベンチマークである。
同様の(しかし互換性のない)要求を完了したのと、成功した軌道を区別する能力について、審査員を評価した。
我々の最高のエージェント・ジャッジであるGPT-5.5は、AHサブセット上で80.9%のバランスの取れた精度を達成する。
論文 参考訳（メタデータ） (2026-10-08T01:03:48Z) - Agents Are Systems, Not Models: Rethinking Agentic Evaluation [80.87068485535677]
エージェントの構成の5つの部分(タスク情報、推論、自己検証、時間予算、バックボーンモデル)について検討する。
結果の約54%は、変更ではなく、同じ構成を繰り返すことによるものです。
ベンチマークと18,000以上のエージェントトラジェクトリをリリースする。
論文 参考訳（メタデータ） (2026-10-01T12:55:07Z) - Thinking Before Thinking: Scaling Agentic Inference Through Meta-Reasoning [104.97890382020937]
エージェントメタ推論は,制御選択を明示的かつ構造化する推論時ハーネスである。
ワーカーはタスクレベルの計算を実行し、コントローラは実行が確立したものを統合する。
決定の間、コントローラはその全履歴を再生するのではなく、実行時のコンパクトな説明しか持たない。
論文 参考訳（メタデータ） (2026-09-29T17:57:25Z) - DIBench: Benchmarking Decision Integrity of GUI-based Mobile Agents Under Deceptive Injections [14.918204262782522]
DIBenchは、モバイルエージェントにおけるタスク内目標偏差のリスクを測定するための決定整合性ベンチマークである。
我々は,過度な異常を伴わずに重要な選択を操る8つの偽注入プローブのインスタンス化を構築した。
全体として、DIBenchは、モバイルエージェントにおけるタスク内目標偏差のリスクを定量化するための、統一された再現可能なベンチマークを提供する。
論文 参考訳（メタデータ） (2026-09-29T03:03:00Z) - Frozen Judges, Moving Agents: Version-Dependent LLM-Judge Error and the Limits of Judge-Assisted Agent Evaluation [7.504639516424482]
言語モデル審査員はエージェントのアップグレードを前任者と比較するが、固定された審査員はバージョンに依存した誤りを犯すことがある。
公開コーディングエージェント35件、カスタマーサービスエージェント2件、専門家ラベル付きエージェントRewardBenchトラジェクトリ1,106件を分析した。
論文 参考訳（メタデータ） (2026-09-28T03:10:18Z) - Adversarial Feeds Steer LLM Agent Decisions Against Their Defaults [0.0]
LLMエージェントは、ソーシャルフィード、検索結果、検索コンテキスト、電子メールキューなどのランク付けされた外部情報ストリームを消費した後、ますます行動する。
モデル,ペルソナ,トピック,最終決定のプロンプトを保持する制御プロトコルを導入し,エージェントが遭遇するポストの構成と順序だけを変化させる。
我々は, 逆降圧, デフォルト飽和, 一方のフィードが真に不確実な決定を下す非対称性の3つの応答機構を同定した。
論文 参考訳（メタデータ） (2026-05-30T22:43:23Z) - Umwelt Engineering: Designing the Cognitive Worlds of Linguistic Agents [0.0]
スタック・スタック・エンジニアリングにおける第3層として言語認知環境の設計を提案する。
2つの実験は、推論の媒質を変えることがそれ自体を変えるという仮説を検証した。
論文 参考訳（メタデータ） (2026-03-29T10:49:50Z) - Holistic Agent Leaderboard: The Missing Infrastructure for AI Agent Evaluation [87.47155146067962]
数百のタスクで並列評価をオーケストレーションする,標準化された評価ハーネスを提供する。
モデル、足場、ベンチマークにまたがる3次元解析を行う。
私たちの分析では、ほとんどのランで精度を低下させる高い推論努力など、驚くべき洞察が示されています。
論文 参考訳（メタデータ） (2025-10-13T22:22:28Z)
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。