論文の概要: Evidence-Guided Recovery for AI Agents with Ambiguous Tool Outcomes and Partial Execution
- arxiv url: http://arxiv.org/abs/2610.41453v1
- Date: Fri, 30 Oct 2026 08:55:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.666744
- Title: Evidence-Guided Recovery for AI Agents with Ambiguous Tool Outcomes and Partial Execution
- Title（参考訳）: あいまいなツールアウトと部分的実行を伴うAIエージェントのエビデンスガイドによるリカバリ
- Abstract要約: 我々は、承認された義務、提供者、国家に対する証拠に導かれたタスク回復を定式化します。
ターミナルワークフローは、実際の目標満足度と、公式にサポートされている安全な完了とを分離する。
- 参考スコア（独自算出の注目度）: 12.527950208666091
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tool timeouts can leave AI agents facing ambiguous tool outcomes and partial execution: an action may have failed, committed or remained in flight while other workflow steps have already completed. We formulate evidence-guided task recovery over approved obligations, provider capabilities and states compatible with public evidence. A shared admissibility check handles key expiry, authorization timing, dependencies and residual effects; a terminal certificate separates actual goal satisfaction from publicly supported safe completion. The known-model implementation combines standard observation-contingent planning with a separately implemented effect-history adjudicator. In a finite study of 37 assignments, planning and three active controls each certify 28 completions; four saved synthetic fee units incur additional computation. A preregistered assignment-held-out comparison then evaluates planning advice against evidence prompting with two local model bundles. Across 58 paired units in 19 previously developed task families, advice certifies 30 completions versus 9, a 36.2-percentage-point difference (exact family sign-flip p=0.0078), using 272 proposals versus 399. All 116 trajectories pass independent replay. Both models exhibit a positive completion difference. The comparison measures the evaluated advice interface under a common shield; search-versus-rule advice requires a separate matched comparison. Unknown and handoff outcomes remain explicit, with guarantees tied to the declared provider capabilities rather than arbitrary third-party exactly-once execution.
- Abstract（参考訳）: ツールタイムアウトは、あいまいなツール結果と部分的な実行に直面したAIエージェントを残すことができる。
我々は、承認された義務、提供者能力、および公的な証拠と互換性のある国家に対して、エビデンスに導かれたタスク回復を定式化する。
共有アクセシビリティチェックは、キー有効期限、承認タイミング、依存関係、残効を処理し、端末証明書は、実際の目標満足度を、公にサポートされている安全な完了から分離する。
既知のモデルの実装は、標準的な観測コンテンツプランニングと、個別に実装されたエフェクト・ヒストリー・アドディケータを組み合わせる。
37の割り当てに関する有限研究では、計画と3つのアクティブな制御がそれぞれ28の完了を認証している。
事前登録された割当て-保留比較は、2つのローカルモデルバンドルで促されるエビデンスに対する計画アドバイスを評価する。
19のタスクファミリーで58のペアユニットが開発され、アドバイスは30の完了を9に対して認定し、36.2のポイント差(特別な家族記号-フリップ p=0.0078)は272の提案を399に対して使用した。
全116トラックは独立したリプレイをパスする。
どちらのモデルも肯定的な完成差を示す。
比較は、評価されたアドバイスインターフェースを共通のシールドの下で測定する。
未知とハンドオフの結果は明確であり、保証は任意のサードパーティの正確に1回の実行ではなく、宣言されたプロバイダ機能に結びついている。
関連論文リスト
- Benchmarking Task Takeover Across Agent Handoffs [49.17457359780042]
ハンドオフ状態継続ベンチマーク(HSC-Bench)を紹介する。
タスクテイクオーバの2つの相補的な側面を評価する1,039のタスクから成り、関連するリポジトリの証拠を回収し、確立された会話、ツール、ファイルワーク状態から継続する。
6つのモデルを比較すると、構造化ハンドオフ状態はモデル毎にリポジトリのエビデンスを回復し、ほとんどのモデルでは継続性能が向上することが示された。
論文 参考訳（メタデータ） (2026-10-27T02:27:04Z) - Permission to Retry: A Study of Authorization and Recovery in AI Agent Workflows [0.0]
耐久性のあるエージェントは、その権限が変化し、アクションの外的結果が不確実なまま、連続的なアクションを再開することができる。
ツールを用いたAIエージェントの実行時信頼性について検討し、言語モデル行動から回復決定を分離する。
Arya.aiが開発したエンタープライズAIプラットフォームであるInfinityOSの16ケースの別なコンポーネントスタディでは、リポジトリの偽物に対して、エクスポートされた権限、ワーカー、リカバリ、決済コードを実行する。
論文 参考訳（メタデータ） (2026-10-22T21:09:22Z) - VeriCUA: Learning Proactive Verification for Reliable GUI Agent Rewards [52.80093616378547]
単試行で検証戦略を学習する積極的報酬エージェントであるVeriCUAを紹介する。
オンライン強化学習は、判決の正当性と効率の良いプローブの使用の両方を最適化する。
GPT-5.4を5.36ポイント上回り、プロブトークンは47.6%-59.8%減少し、1B VeriCUAも全ての審査員を上回る。
論文 参考訳（メタデータ） (2026-10-19T14:17:33Z) - Benefit-Targeted Routing and Bounded Revision for LLM-Based Evidence Screening in Manufacturing Supplier Discovery [8.148058967953437]
6,164個のフリーズ・ソース・タスク対のソフトウェア決定について検討した。
ベネフィット目標ルーティングは、新しく導入された不一致から回復された合意を学習する。
完成した200対のアイデンティティ監査では、8人の著者の評定の後、97.45パーセントのマージ精度が得られた。
論文 参考訳（メタデータ） (2026-10-19T06:22:34Z) - AgentEval: Evidence-Bounded Assessment of Stateful Agents [17.499411625063455]
本稿では,契約条件付きアセスメントシステムであるAgentEvalについて紹介する。
エージェントが何をしたか、証拠が何を確立するか、そして現在の使用のために結論が支持されるかどうかを区別する。
論文 参考訳（メタデータ） (2026-10-15T03:32:39Z) - 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) - Before They Can Solve: Predicting Post-Training Coding-Agent Performance from Base Models [87.94969284553706]
エンド・ツー・エンドのpass@$K$は、成功した振る舞いがベースモデルのディストリビューションにすでに現れるかどうかをテストする。
コールドスタートからハーネスを駆動するために、ベースチェックポイントを必要としない3つのスクリーンを構築します。
3つの画面はいずれも、ポストトレーニング後のSWE-bench Verified pass@$1$と密接に一致して、コホートをランク付けする。
論文 参考訳（メタデータ） (2026-10-07T17:37:19Z) - Right Answers, Wrong States: Hidden Information Failures in Multi-Agent Collaboration [69.14904049421806]
共同作業は、即時決定が正しい場合でも、腐敗した情報状態に置き去りにすることができる。
GPT、Gemini、Qwenモデル全体では、標準的なコラボレーションは、状態の信頼性よりもはるかに強力なタスクパフォーマンスを示している。
我々は、矛盾する証拠を解決し、共有された事実を検証し、信頼された国家を再構築するReGroundを紹介します。
論文 参考訳（メタデータ） (2026-10-01T07:42:27Z) - FunnelAudit: Responsibility Auditing in Multi-Route Recommender Systems [6.810073531792462]
マルチルートレコメンデータシステムは、検索、アロケーション、融合、ランキングを組み合わせることで、個別のインクルージョンと除外を監査しにくくする。
本稿では,インシデントレベルの責任監査を行うためのフレームワークであるFunnelAuditを紹介する。
我々は、固定ユニオン、重み付きクォータ割り当て、重み付き相互ランク融合を用いて、2段9ルートのファネルでフレームワークをインスタンス化し、次にSASRecランキングを付ける。
論文 参考訳（メタデータ） (2026-09-07T03:01:07Z) - AID-Guard: Stateful Authorization for Delegated Agent Effects [0.0]
AID-Guardはステートフルな認可から効果のあるクロージャプロトコルである。
コミット時に承認された要求とプロバイダ状態を再検証し、曖昧さの下で1つの予約を保持し、端末結果の後にのみリリースまたは1つの後継を許可する。
論文 参考訳（メタデータ） (2026-08-21T14:31:29Z) - Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。
Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。
すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
論文 参考訳（メタデータ） (2026-04-07T17:43:18Z)
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。