論文の概要: Just-in-Time Skill Retrieval via Long-Horizon State Tracking

• arxiv url: http://arxiv.org/abs/2611.01701v1
• Date: Sun, 01 Nov 2026 08:36:51 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:56:20.634282
• Title: Just-in-Time Skill Retrieval via Long-Horizon State Tracking
• Title（参考訳）: 長期状態追跡によるジャスト・イン・タイムスキル検索
• Abstract要約: 大きな言語モデル(LLM)エージェントは、複雑なタスク実行をサポートするために、ますます外部スキルライブラリに依存している。 ロングホライゾンのタスクでは、どのスキルが必要なのかを判断するのは難しい。 我々は,この課題に継続的タスク状態追跡を通じて対処する,状態基盤のフレームワークであるJitSkillを提案する。
• 参考スコア（独自算出の注目度）: 32.089601026898606
• License:
• Abstract: Large language model (LLM) agents increasingly rely on external skill libraries to support complex task execution. However, determining which skills are needed remains challenging in long-horizon tasks. Existing methods typically select a fixed skill set before execution, implicitly assuming that a task's procedural requirements can be determined from its initial description. This assumption is restrictive for long-horizon interaction, where new requirements emerge from intermediate observations, execution outcomes, and newly revealed constraints. This motivates just-in-time skill retrieval, which dynamically selects skills as execution unfolds. Just-in-time skill retrieval is promising but challenging: the utility of a skill depends not only on the current context, but also on the evolving task state shaped by prior steps. To this end, we propose JitSkill, a state-grounded framework that addresses this challenge through continuous task-state tracking. By connecting emerging requirements with accumulated task progress, JitSkill provides procedural support throughout execution without treating each retrieval decision independently. Experiments across three agent benchmarks demonstrate its effectiveness in improving long-horizon task completion. Our code is available at https://github.com/XMUDeepLIT/JitSkill.git/.
• Abstract（参考訳）: 大きな言語モデル(LLM)エージェントは、複雑なタスク実行をサポートするために、ますます外部スキルライブラリに依存している。 しかし、ロングホライゾンなタスクでは、どのスキルが必要なのかを判断するのは難しい。 既存のメソッドは通常、実行前に固定されたスキルを選択し、タスクの手続き的要件が初期記述から決定できると暗黙的に仮定する。 この仮定は、中間観測、実行結果、および新たに明らかになった制約から新しい要求が出現する、長期水平相互作用に制限される。 これはジャスト・イン・タイムのスキル検索を動機付け、実行が進むにつれて動的にスキルを選択する。 ジャスト・イン・タイムのスキル検索は有望だが難しい。スキルの効用は、現在のコンテキストだけでなく、以前のステップによって形成されたタスク状態にも依存する。 この目的のために我々は,タスク状態の継続的な追跡を通じてこの問題に対処する状態基盤フレームワークであるJitSkillを提案する。 新たな要件とタスク進捗の蓄積を結びつけることで、JitSkillは、各検索決定を独立して扱うことなく、実行を通じて手続き的サポートを提供する。 3つのエージェントベンチマークによる実験は、長距離タスク補完を改善する効果を示す。 私たちのコードはhttps://github.com/XMUDeepLIT/JitSkill.git/で利用可能です。

関連論文リスト

• SkillHorizon: Constructing Long-Horizon Agent Tasks through Skill Composition [52.51270668013944]
  ロングホライゾンエージェントは、後のアクティビティが以前の出力と共有状態の変更に依存するように完了しなければならない。 SkillHorizonは、7つのビジネス環境でのスキル構成を通じて長期タスクを構築するベンチマークである。 我々は,64Kから1Mトークンの参照インタラクションワークロードを用いた1,050タスクの5つの言語モデルを評価する。
  論文  参考訳（メタデータ） (2026-10-10T14:36:39Z)
• TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation [49.02604313942616]
  VLA(Reactive Vision-Language-action)ポリシーは、長時間の操作においてタスク状態のエイリアスに悩まされる。 本稿では,VLAのネイティブ入力空間に実行コンテキストを注入することでタスク状態を基底とする軽量アダプタTaskAnchorを提案する。 長期のベンチマークではTaskAnchorが大幅に上昇し、pi0.5とX-VLAのベースラインの平均的な成功率の6倍に達する。
  論文  参考訳（メタデータ） (2026-09-20T11:57:10Z)
• Imagine Before Retrieval: Prospective Skill Retrieval for LLM Agents [19.57498769577715]
  本稿では,QSM(Query-Skill Misalignment)問題の負の影響を軽減する新しいフレームワークであるSkillDreamerを提案する。 簡単に言うと、SkillDreamerはタスク実行に必要な機能を推測し、擬似スキルを生成してこれらの能力を実現する方法を想像する。 SkillRetとSkillUsageの大規模な実験は、スキル検索とエンドツーエンドタスク実行の両方において、SkillDreamerの有効性を証明する。
  論文  参考訳（メタデータ） (2026-08-28T13:19:50Z)
• Task Decomposition-Guided Reranking for Adaptive Agent Skill Retrieval [16.270741233471107]
  本稿では,適応型スキル選択のための推論時間更新フレームワークであるSkillRerankerを提案する。 我々は、SkillRerankerがタスク性能を効果的に改善し、環境相互作用のステップを減らし、トークン消費を減らすことを示す。
  論文  参考訳（メタデータ） (2026-07-07T13:49:08Z)
• Offline Discovery of Interpretable Skills from Multi-Task Trajectories [8.119611773942562]
  オフラインスキル発見と階層的模倣のための3段階のエンドツーエンド学習フレームワークであるLOKIを紹介する。 LOKIは、挑戦的なD4RL Kitchenベンチマークで高い成功率を獲得し、標準のHILベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-01T05:03:58Z)
• UltraHorizon: Benchmarking Agent Capabilities in Ultra Long-Horizon Scenarios [63.67884284105684]
  textbfUltraHorizonは、複雑な現実世界の課題に不可欠な基礎的能力を測定する新しいベンチマークである。 エージェントは、隠されたルールを反復的に発見しなければならない、長期にわたる発見タスクで設計されている。 実験の結果, LLM-agents はこれらの設定において常に不利な成績を示し, ヒトは高いスコアを得ることができた。
  論文  参考訳（メタデータ） (2025-09-26T02:04:00Z)
• Generalizable Long-Horizon Manipulations with Large Language Models [91.740084601715]
  本研究は,Large Language Models (LLMs) の機能を活用して,汎用可能な長距離操作のための原始的なタスク条件を生成するフレームワークを導入する。 我々は,Pybulletに基づくロボット操作タスクスイートを作成し,長期作業評価を行う。
  論文  参考訳（メタデータ） (2023-10-03T17:59:46Z)
• STAP: Sequencing Task-Agnostic Policies [22.25415946972336]
  本稿では,長期的課題を解決するために,操作スキルを訓練し,それらの幾何学的依存関係を計画時に調整するためのシークエンシングタスク非依存ポリシー(STAP)を提案する。 実験により, この目的関数が真理計画の実現可能性に近似していることが示唆された。 タスクプランナが提供したスキルシーケンスの幾何学的実現可能性を評価することで,STAPがタスク計画や動作計画にどのように使えるかを実証する。
  論文  参考訳（メタデータ） (2022-10-21T21:09:37Z)
• Hierarchical Few-Shot Imitation with Skill Transition Models [66.81252581083199]
  FIST(Few-shot Imitation with Skill Transition Models)は、オフラインデータからスキルを抽出し、それらを利用して見えないタスクに一般化するアルゴリズムである。 本稿では,FISTが新たなタスクに一般化し,ナビゲーション実験において従来のベースラインを大幅に上回っていることを示す。
  論文  参考訳（メタデータ） (2021-07-19T15:56:01Z)

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。