論文の概要: What Structurally Breaks an Agent? Auditing Difficulty in Stateful Tool-Use Workflows

• arxiv url: http://arxiv.org/abs/2611.03227v1
• Date: Mon, 02 Nov 2026 14:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 05:43:38.964221
• Title: What Structurally Breaks an Agent? Auditing Difficulty in Stateful Tool-Use Workflows
• Title（参考訳）: エージェントの構造を損なうものは何か? ステートフルなツール・ユース・ワークフローの難しさを振り返る
• Abstract要約: 集計タスクスコアは、スケジューリング、状態保持、および候補選択の失敗を区別しない。 本研究では,依存関係の深さ,候補数,アクティブな状態幅,現在のスナップショットへのアクセスを変動させる小型実行可能な機器を開発する。
• 参考スコア（独自算出の注目度）: 7.187666487589211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An aggregate task score does not distinguish failures of scheduling, state retention, and candidate selection. We develop a small executable instrument that varies dependency depth, candidate count, active state width, and access to current-state snapshots while holding the number of required operations fixed. Two dependency-graph families show that increasing depth at fixed work changes both scheduling freedom and the number of reachable completion states, so these controls are coupled, and we quantify the coupling. The primary study contains 49,152 generated tasks and 393,216 reference-controller rollouts. A separately frozen follow-on design adds 295,936 rollouts covering retention strategy, snapshot cadence, hidden state resampling, recovery, query locality, candidate indexing, and relabeling. Residue caches and precomputed plans solve tasks that defeat limited raw-value caches, and indexed selection removes the serial-scan branching deficit. Hidden resampling imposes an exact success ceiling that additional state tracking cannot overcome. The contribution is an executable diagnostic instrument, analytic calibration, and an audit of its assumptions. A small local CPU study with a 0.5B model completed no workflows, and a 16-episode Copilot-routed fractional factorial is descriptive only. Neither supports general capability claims.
• Abstract（参考訳）: 集計タスクスコアは、スケジューリング、状態保持、および候補選択の失敗を区別しない。 我々は,必要な操作数を保持しながら,依存関係の深さ,候補数,アクティブな状態幅,現在のスナップショットへのアクセスを変更できる小型の実行可能な機器を開発した。 2つの依存性グラフファミリは、スケジューリングの自由度と到達可能な完了状態の数の両方が変化し、これらの制御が結合され、結合が定量化されることを示す。 主研究は49,152件のタスクと393,216件のリファレンスコントローラのロールアウトを含む。 別途凍結されたフォローオン設計では、保持戦略、スナップショットケイデンス、隠された状態再サンプリング、リカバリ、クエリローカリティ、候補インデックス、レバリングをカバーする295,936のロールアウトが追加されている。 Residueキャッシュと事前計算されたプランは、制限された生値キャッシュを破るタスクを解決し、インデックス化された選択によってシリアルスキャン分岐障害を除去する。 隠された再サンプリングは、追加のステートトラッキングが克服できない正確な成功の天井を課す。 このコントリビューションは、実行可能な診断装置、分析校正、およびその仮定の監査である。 0.5Bモデルによる小さなローカルCPUの研究はワークフローを完了せず、16エピソードの Copilot-routed fractional factorial は記述のみである。 汎用能力の主張もサポートしていない。

関連論文リスト

• OPRD: On-Policy Reminder Distillation for Long-Horizon Coding Agents [20.339659085474057]
  On-Policy Reminder Distillationは、マルチスコープリマインダーの監督と、リマインダーのない学生のロールアウトにおける結果に基づくルーティングを組み合わせる。 SWE-bench Verified、SWE-bench Pro、SWE-bench Multilingualでは、オープンソースのQwen3.5-4Bベースモデルよりもベンチマーク平均タスク解決率を11.3ポイント改善している。
  論文  参考訳（メタデータ） (2026-10-15T08:32:30Z)
• EngramBench: A Capability-Grounded Benchmark for Skill-Evolution Harnesses [50.93446596863591]
  EngramBenchは、ソリューションオーバーラップすることなく、厳密なオーバーラップの公理に支配される機能基底ベンチマークである。 人間の専門的検証によって裏付けられた48の複数時間実行軌跡に対する我々の評価は、手続き記憶に関する深い洞察を浮き彫りにしている。 破滅的なトークン重大な試行錯誤からエージェントを遠ざけることで、真の能力抽象化は冗長なコンテキストの肥大を削減し、全体的なコーディング時間を55%以上削減します。
  論文  参考訳（メタデータ） (2026-09-30T08:33:17Z)
• Learning What to Skip: Counterfactual Credit Assignment for Efficient Multi-Agent LLM Workflows [49.15875332210974]
  すべてのコンポーネントを実行することは、計算を無駄にしたり、正しい中間回答を上書きすることができる。 我々は、制御されたスキップ介入からアクション固有の安全モデルを学ぶ「Skip to Skip」について紹介する。 早期スキップが拒否されると、コントローラは実行を継続し、後続のコンポーネントを再考することができる。
  論文  参考訳（メタデータ） (2026-09-25T03:02:57Z)
• Uncertainty-Gated Exploration Noise Suppresses Task Collapse in Online RL Fine-Tuning of a Flow-Matching Vision-Language-Action Policy [0.0]
  LIBERO-10において,タスク崩壊(タスク崩壊)と呼ばれる障害モードを小額の予算で検討した。 3つの探索ノイズポリシーは、固定ノイズスケール、ReinFlowスタイルの学習ノイズネットワーク、不確実性付きコントローラの3つのライブ変数が異なる。 我々は4つの定義の下でタスクごとの崩壊を測定するツールをリリースし、ノイズや楽器の触覚を再現する。
  論文  参考訳（メタデータ） (2026-09-23T23:08:10Z)
• Disagree to Explore, Agree to Commit: Routing-Guided Test-Time Scaling for Software Agents [60.650808962786364]
  外部判断や選択時間テストの実行なしに,ネイティブなMoEルータトレースがステアリングと選択をガイドできるかどうかを検討する。 我々の分析は、ルーティングが堅牢な行動的役割シグナルを提供することを示している。トークン・グラニュラ・リードアウトと決定整合比較セットは、ルーティングを効果的に制御する。 オープンウェイトスパースMOEエージェントを用いたSWEベンチ検証を行い,評価を行った。
  論文  参考訳（メタデータ） (2026-08-23T03:07:03Z)
• Suppression Sticks, Locality Is Fragile: A Closed-Loop Target-and-Control Audit of Task-Vector Negation in VLA Policies [33.432377306905735]
  タスクベクトル算術は、モデルを修正するためのクローズドフォームな方法を提供するが、クローズドループロボット制御において、その振る舞いの局所性は未だ不明である。 マルチタスク・ビジョン・ランゲージ・アクション(VLA: Multitask Vision-Language-action)ポリシーから,タスク・ベクターごとのタスク・ベクター・サブトラクションのターゲット・アンド・コントロール・監査を行う。
  論文  参考訳（メタデータ） (2026-08-05T10:59:53Z)
• AgentAbstain: Do LLM Agents Know When Not to Act? [19.223843408018997]
  既存の評価は、エージェントがいつ禁じるべきかを知るのではなく、タスクの成功に焦点を当てている。 エージェント禁忌のための最初の体系的評価枠組みとして,ツールを用いたLDMエージェントの動作を検知するキャリブレーション能力について述べる。 AgentAbstainは、エージェントネイティブな分類に基づくペアタスクのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-11T00:57:36Z)
• What to Test Next: Interpretable Coverage Gap Discovery in Driving VLMs [52.50210189669399]
  視覚言語モデル(VLM)を駆動するには,操作設計領域(ODD)が定義する様々な条件のシーンを正確に理解する必要がある SliceScorerは、欠落したスライス推薦のための決定論的スコアリングルールである。 SliceNavは, 従来のスライス発見法よりも, 高リスクカバレッジギャップを効果的に表面化することを示す。
  論文  参考訳（メタデータ） (2026-06-01T03:18:01Z)
• Dynamic Multi-Robot Task Allocation under Uncertainty and Temporal Constraints [52.58352707495122]
  本稿では,不確実性およびマルチエージェント協調の下での逐次意思決定における重要な計算課題を分離するマルチロボット割当アルゴリズムを提案する。 都市におけるマルチアームコンベヤベルトピック・アンド・プレイスとマルチドローン配送ディスパッチの2つの異なる領域における広範囲なシミュレーション結果について検証を行った。
  論文  参考訳（メタデータ） (2020-05-27T01:10:41Z)

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。