論文の概要: ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents

• arxiv url: http://arxiv.org/abs/2611.05036v1
• Date: Tue, 03 Nov 2026 15:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:55:55.111953
• Title: ToolSpace: Scaling Tool-Centric Environment Synthesis for Long-Horizon Agents
• Title（参考訳）: ツールスペース:長距離エージェントのスケーリングツール中心環境合成
• Abstract要約: 既存のMPP環境スケーリング手法はデータ中心である。 この順序を逆転するツール中心のフレームワークであるToolSpaceを提案する。 ツールスペースは7つの長期ツール使用ベンチマークでQwen3.6-35B-A3Bを23.0から41.0の平均スコア(43.2とRL)、GLM-5.2を44.6から56.6に引き上げた。
• 参考スコア（独自算出の注目度）: 135.45327044185828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models are deployed as long-horizon agents that compose diverse tools across MCP services into executable workflows. Existing MCP environment-scaling methods are data-centric: they first synthesize a database and scenario, then derive tools and tasks from them. As a result, tool interfaces may not match real ones, tool compositions are not grounded in execution, and tasks rarely span more than one environment. We propose ToolSpace, a tool-centric framework that reverses this order. ToolSpace mines data, state, and retry dependencies from adjacent calls in execution traces of real MCP services and open agent corpora, using deterministic rules rather than LLM judgment, and clusters the resulting weighted tool-composition graph into environments. Databases are synthesized only for state-mutating environments, while query and stateless tools replay recorded returns. ToolSpace then performs state-aware random walks with rollback and decompiles each chain into a natural-language task with assertion-based checks, keeping only samples that replay successfully from the initial state. Applied to AutomationBench and tau3-Bench Banking, the pipeline produces harder Pro versions on which 7 frontier models drop by up to 38.2 points. Across seven long-horizon tool-use benchmarks, ToolSpace raises Qwen3.6-35B-A3B from 23.0 to 41.0 average score (43.2 with RL) and GLM-5.2 from 44.6 to 56.6, on par with Claude Opus 5. Ablations show that execution-witnessed edges clearly outperform LLM-judged ones, and performance keeps improving with data and environment scale.
• Abstract（参考訳）: 大規模言語モデルは長い水平エージェントとしてデプロイされ、MPPサービスにまたがるさまざまなツールを実行可能なワークフローに構成する。 既存のMPP環境スケーリング手法はデータ中心であり、まずデータベースとシナリオを合成し、それからツールとタスクを導出する。 その結果、ツールインターフェースは実際のものと一致せず、ツールコンポジションは実行時に基盤がなく、タスクが複数の環境にまたがることはほとんどない。 この順序を逆転するツール中心のフレームワークであるToolSpaceを提案する。 ToolSpaceは、実際のMCPサービスとオープンエージェントコーパスの実行トレースにおける、隣接する呼び出しからの依存関係、状態、リトライを、LCMの判断よりも決定論的ルールを使ってマイニングし、結果として重み付けされたツール構成グラフを環境にクラスタ化する。 データベースは状態変更環境でのみ合成され、クエリとステートレスツールは記録されたリターンを再生する。 その後、ToolSpaceはロールバックで状態認識ランダムウォークを実行し、アサーションベースのチェックで各チェーンを自然言語タスクに分解し、初期状態から正常に再生するサンプルのみを保持する。 AutomationBenchとTau3-Bench Bankingに応用されたこのパイプラインは、7つのフロンティアモデルが最大38.2ポイントまで低下する厳しいProバージョンを生産する。 ツールスペースは7つの長期ツール使用ベンチマークでQwen3.6-35B-A3Bを23.0から41.0の平均スコア(43.2とRL)、GLM-5.2を44.6から56.6に引き上げた。 アブレーションにより、実行に敏感なエッジは、LCMに精通したエッジよりも明らかに優れており、パフォーマンスは、データと環境のスケールで改善され続けていることが示されている。

関連論文リスト

• Davinci-Tool: Scaling Agentic Tool-Use Supervision with Verifiable Executable Environments [65.08394586229379]
  Davinci-Toolは、環境カバレッジと結果の検証を一緒にスケールするために設計された30Bツールの使用モデルである。 Davinci-ToolDataは、復元可能な状態、実行トレース、結果、検証を管理のための統一された基盤として保存する。 Davinci-ToolはQwen3-Coder-30B-A3B-Instructを52.4ドルから88.2ドル、BFCL v4マルチターンで30.4ドルから62.8ドル、MCP-Atlasで16.9ドルから56.2ドルに改善した。
  論文  参考訳（メタデータ） (2026-10-12T14:33:16Z)
• Joint Optimization of Tool Creation and Use for Large Language Model Agents [69.07066297088187]
  SMITH (-grounded Multi-task Iterative Tool Honing) は、単一のポリシー内でツールの作成とツールの使用を訓練する。 SMITHで訓練された4B Qwen3は、正確に検証された13の手続き的推論タスクで、保持されたタスクで平均79.8のマクロ平均精度に達する。 また、TabMWP-Hardでは40.4、ドメイン外のGQAでは42.6に到達している。
  論文  参考訳（メタデータ） (2026-08-25T13:59:34Z)
• E-Bench: Benchmarking Multi-Step Tool-Use Agents in Real-World Product Scenarios [21.754234431463455]
  大規模言語モデル(LLM)は、複数のステップでステートフルな環境と対話するエージェントとして、ますます多くデプロイされている。 E-Benchは3つの製品ドメインにわたる323の状態変更タスクを備えた完全な総合ベンチマークである。
  論文  参考訳（メタデータ） (2026-07-26T15:38:28Z)
• SING: Synthetic Intention Graph for Scalable Active Tool Discovery in LLM Agents [64.59100414726556]
  大規模言語モデル(LLM)エージェントは、コンテキスト、ツール、マルチターン実行を管理するハーネスに依存している。 Retrieval-augmented Tool selectionは、自然な代替手段を提供するが、既存のワンショット検索方法は、独立したツール記述とエージェントの真のタスク意図との整合に失敗する。 我々は、ユーザ意図、ツール機能、ツールコラボレーションパターンをリンクするインテントツーオールグラフを構築する、意図認識型のアクティブツール発見フレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2026-06-15T11:37:37Z)
• HyperTool: Beyond Step-Wise Tool Calls for Tool-Augmented Agents [52.33697136670754]
  textbfHyperToolは、実行可能なMPPスタイルのツールインターフェースで、ツール実行のモデル可視単位を変更する。 モデルはHyperToolをコードブロックで呼び出し、既存のツールを元のスキーマを通じて呼び出し、返却された値を操作し、中間結果をローカルに渡すことができる。 MCP-Universeでは、HyperToolは平均精度をQwen3-32Bで15.69%から35.29%、Qwen3-8Bで9.93%から33.33%に改善し、GPT-OSSとKimi-k2.5を平均で上回っている。
  論文  参考訳（メタデータ） (2026-06-11T17:56:36Z)
• Firefly: Illuminating Large-Scale Verified Tool-Call Data Generation from Real APIs [46.60041435990374]
  本稿では,実世界のMPPサーバから検証済みのツールコールデータを生成するためのパイプラインFireFlyを紹介する。 実世界のツール空間のスケールを扱うために、ペアワイズツールグラフとサンプルサブDAGを構築します。 このパイプラインを適用すると、240のサーバと93のツールにまたがる5,144の検証タスクが生成される。
  論文  参考訳（メタデータ） (2026-05-17T17:38:17Z)
• Gecko: A Simulation Environment with Stateful Feedback for Refining Agent Tool Calls [56.407063247662336]
  本稿では,ルールとLLMを組み合わせてツール応答をシミュレートする総合環境であるGeckoを紹介する。 GATS は GPT-4o, GPT-5, Gemini-3.0-pro など様々な LLM のツールコール性能を一貫して改善している。
  論文  参考訳（メタデータ） (2026-02-22T15:02:00Z)
• ToolGym: an Open-world Tool-using Environment for Scalable Agent Testing and Data Curation [42.479399507055454]
  一般的な204のアプリにまたがって,571フォーマットの統一ツール上に構築された,オープンワールドのツール使用環境を紹介します。 これには、ロングホライゾンを合成するタスク生成エンジン、ワイルド制約付きマルチツール、ストレス-テストの堅牢性に割り込みと失敗を注入するステートコントローラが含まれる。 最先端のLLMの総合評価では、ツール計画と実行能力の相違、既存のLLMの弱点に続く制約、DeepSeek-v3.2の強靭さが明らかにされている。
  論文  参考訳（メタデータ） (2026-01-09T21:59:31Z)

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。