論文の概要: Optimize the Harness, Not the Model: Fitting a Minimal Agent to a Self-Hostable LLM for Investigative Analysis
- arxiv url: http://arxiv.org/abs/2611.03434v1
- Date: Mon, 02 Nov 2026 16:53:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 23:36:30.62454
- Title: Optimize the Harness, Not the Model: Fitting a Minimal Agent to a Self-Hostable LLM for Investigative Analysis
- Title（参考訳）: モデルではなくハーネスを最適化する:調査分析のための最小限のエージェントをセルフホスタブルLLMに適合させる
- Abstract要約: セキュリティとコストの制約は、ホストされたフロンティアモデルと、広範で監査の難しいツールサーフェスを除外することが多い。
CLEO: Constrained Loop for Environment Optimization(環境最適化のための制約ループ)は、最小限のエージェントハーネスを固定された自己ホスト可能なLLMに適合させる方法である。
専門家が検証したデータセットが与えられた場合、CLEOはツール、ガードレール、メモリポリシ、ループコンポーネントのみを認め、一般的な監査性を維持しながら精度を向上する。
- 参考スコア（独自算出の注目度）: 1.6172330402164168
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Government intelligence teams need LLM agents that can analyze large, messy evidence collections, but security and cost constraints often rule out hosted frontier models and broad, hard-to-audit tool surfaces. We report CLEO: Constrained Loop for Environment Optimization, a method for fitting a minimal agent harness to a fixed, self-hostable LLM. Given an expert-validated dataset, CLEO admits only the tools, guardrails, memory policies, and loop components that improve accuracy while remaining general and auditable. On our held-out dataset, the CLEO harness reaches an 83.8% pass rate, within 1.2 points of the strongest out-of-the-box Claude Code SDK baseline, while being two orders of magnitude smaller.
- Abstract（参考訳）: 政府の諜報チームは、大規模で乱雑な証拠収集を分析できるLLMエージェントを必要とするが、セキュリティとコストの制約により、ホストされたフロンティアモデルや、広範で監査の難しいツールサーフェスを除外することが多い。
CLEO: Constrained Loop for Environment Optimization(環境最適化のための制約ループ)は、最小限のエージェントハーネスを固定された自己ホスト可能なLLMに適合させる方法である。
専門家が検証したデータセットが与えられた場合、CLEOはツール、ガードレール、メモリポリシ、ループコンポーネントのみを認め、一般的な監査性を維持しながら精度を向上する。
保持されたデータセットでは、CLEOハーネスが83.8%のパスレートに達し、最強のアウトオブザボックスClaude Code SDKベースラインの1.2ポイント以内で、桁違いに小さくなった。
関連論文リスト
- Beyond Prompts: Measuring and Optimizing LLM Tool-Agent Harnesses [4.4468032312511925]
ツールエージェントは、固定モデルを中心にランタイムハーネスを変更することで、再トレーニングなしで改善することができる。
PRISMマルチターンツールエージェントの資源結合型ハーネス選択について検討する。
論文 参考訳（メタデータ） (2026-09-04T21:35:00Z) - LLM-as-a-Verifier: A General-Purpose Verification Framework [74.40111651545979]
本稿では,汎用検証フレームワーク LLM-as-a-Verifier を紹介する。
追加のトレーニングを必要とせずに、エージェントタスクに対してきめ細かいフィードバックを提供する。
いくつかのベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-06T17:59:35Z) - LLMs as Orchestrators: Constraint-Compliant Multi-Agent Optimization for Recommendation Systems [8.70920344844399]
制約付き多目的eコマースレコメンデーションのためのLLM協調型デュアルエージェントフレームワークであるDualAgent-Recを提案する。
Amazon Reviews 2023データセットの実験では、DualAgent-Recが100%制約満足度を達成した。
これらの結果から,LSMはデプロイおよび制約に準拠したレコメンデーションシステムにおいて,効果的なオーケストレーションエージェントとして機能することが示唆された。
論文 参考訳（メタデータ） (2026-01-27T02:46:13Z) - Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。
本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
論文 参考訳（メタデータ） (2025-11-09T03:38:29Z) - LLM Self-Correction with DeCRIM: Decompose, Critique, and Refine for Enhanced Following of Instructions with Multiple Constraints [86.59857711385833]
実世界のマルチ制約命令に従うLLMの能力を評価するために設計された最初のベンチマークであるRealInstructを紹介する。
オープンソースモデルとプロプライエタリモデルのパフォーマンスギャップを解決するため,Decompose, Critique and Refine(DeCRIM)自己補正パイプラインを提案する。
この結果から,DeCRIMはフィードバックが弱い場合でも,RealInstructでは7.3%,IFEvalでは8.0%,Mistralでは7.3%向上した。
論文 参考訳（メタデータ） (2024-10-09T01:25:10Z) - Control Large Language Models via Divide and Conquer [94.48784966256463]
本稿では,Lexically Constrained Generation(LCG)に着目し,大規模言語モデル(LLM)のプロンプトベース制御による制御可能生成について検討する。
我々は,レキシカル制約を満たすためのLLMの性能を,プロンプトベース制御により評価し,下流アプリケーションでの有効性を検証した。
論文 参考訳（メタデータ） (2024-10-06T21:20:06Z)
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。