論文の概要: EnvOpt: Automated Optimization for Agent Environments

• arxiv url: http://arxiv.org/abs/2611.07372v1
• Date: Thu, 05 Nov 2026 03:16:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.499624
• Title: EnvOpt: Automated Optimization for Agent Environments
• Title（参考訳）: EnvOpt: エージェント環境の自動最適化
• Abstract要約: EnvOptは、任意のモデルとハーネスに対する静止環境の自動エンドツーエンド最適化手法である。 EnvOptは通過率を改善したり維持したりしながらエージェントのコストを大幅に削減し、異なるモデルと異なるハーネスに転送可能であることを示す。
• 参考スコア（独自算出の注目度）: 37.846849843379125
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: An LLM agent's cost and success depend on its model, its harness, and its environment. In addition to the widely studied directions of parameter tuning and harness optimization, we propose the third direction: optimization over stationary environments. Agents are often deployed in rich environments shared by many tasks, such as a company's Slack workspace or a complex collection of data sources, documents or tickets. We call these environments stationary environments. We introduce EnvOpt, a method for automated end-to-end optimization of stationary environments for any given model and harness, using real or synthetic tasks without needing any graders or reference answers. On AutomationBench, EnvOpt reduces the cost of Claude Haiku 4.5 by 72.7% and raises its pass rate by 14.34%. The same environment transfers to Opus 5, cutting its cost by 68.1% with a 1.34% gain. Added on top of Meta-Harness's optimized harness for Haiku 4.5, it lowers cost by a further 83.4% and adds 11.17% accuracy over Meta-Harness alone. Across 5 benchmarks, EnvOpt significantly reduces the cost of agents while improving or maintaining pass rate, and is transferable to different models and different harnesses. We also discuss common successful and rejected environment optimization strategies during automated optimization. More broadly, our results show that how information is represented to an agent shapes both its cost and its success, making the environment worth optimizing in addition to the parameters and the harness.
• Abstract（参考訳）: LLMエージェントのコストと成功はモデル、ハーネス、環境に依存する。 パラメータチューニングとハーネス最適化の広範に研究されている方向性に加えて、定常環境に対する最適化という3つ目の方向性を提案する。 エージェントは、企業のSlackワークスペースや、データソース、ドキュメント、チケットの複雑なコレクションなど、多くのタスクで共有されるリッチな環境にデプロイされることが多い。 これらの環境を静止環境と呼ぶ。 本稿では,任意のモデルとハーネスに対する定常環境の自動エンドツーエンド最適化手法であるEnvOptを紹介する。 AutomationBenchでは、EnvOptはClaude Haiku 4.5のコストを72.7%削減し、パスレートを14.34%引き上げている。 同じ環境がオプス5に移行し、コストは68.1%削減され、1.34%上昇した。 Meta-HarnessのHaiku 4.5用の最適化されたハーネスに加えて、さらに83.4%のコスト削減と、Meta-Harness単独で11.17%の精度向上を実現している。 5つのベンチマークで、EnvOptはパスレートを改善したり維持したりしながらエージェントのコストを大幅に削減し、異なるモデルと異なるハーネスに転送可能である。 また,自動最適化における環境最適化戦略の共通性についても論じる。 より広範に、エージェントに情報がどのように表現されるかは、そのコストと成功の両方を形作っており、パラメータとハーネスに加えて、環境を最適化する価値がある。

関連論文リスト

• Robustness Starts with the Objective: Designing and Certifying Robust LLM-Generated Heuristics [9.442243413534442]
  本稿では,リスク条件値(CVaR)を用いてLLM合成を誘導するフレームワークTAILORについて述べる。 負対CVaRは、未知の最適値に対する平均性能とテール最適値の差が、最適値の計算を行なわずに向上することを示す。 7つの多様な最適化ベンチマークでテストされ、TAILORは99%の信頼性で認定され、ベースライン上の平均性能とテール最適性のギャップを6つで改善する。
  論文  参考訳（メタデータ） (2026-10-31T00:49:26Z)
• AutoEnvScaling: Automating the Data Flywheel with Terminal Agents [63.914438869241486]
  本稿では,環境設計を端末タスクとして扱うAutoEnvScalingを導入し,エージェントを用いてデータフライホイールの自動化を行う。 環境生成を端末タスクにすることで、AutoEnvScalingは有効環境率を最大25倍に向上させる。 GPT-5.6-sol による AutoEnvScaling 環境上でのQwen3.5-35B-A3B のトレーニングにより,Tmax ベースライン上での Terminal-Bench 2.1 スコアが4.3 ポイント向上したことを示す。
  論文  参考訳（メタデータ） (2026-10-09T17:51:50Z)
• Do Agent Optimizers Compound? A Continual-Learning Evaluation on Terminal-Bench 2.0 [53.71882250666667]
  エージェント最適化法で報告されているほとんどの利得はワンショットである。 これは、デプロイされたエージェントにとって重要な設定をテストするものではない。 エージェントハーネス最適化に対する3つのアプローチを比較する。
  論文  参考訳（メタデータ） (2026-07-15T16:36:04Z)
• Evolving Agents in the Dark: Retrospective Harness Optimization via Self-Preference [51.55077364626896]
  本稿では,過去の軌道のみを用いたエージェント・ハーネスを最適化する自己教師型手法であるRetrospective Harness Optimization (RHO)を紹介する。 RHOは、過去の軌跡から様々な課題のコアセットを選択し、それらを並列に解決する。 1回の最適化ラウンドでは、SWE-Bench Proのパスレートが59%から78%に向上する。
  論文  参考訳（メタデータ） (2026-06-04T09:26:00Z)
• AgentOpt v0.1 Technical Report: Client-Side Optimization for LLM-Based Agent [18.58248061903799]
  AgentOptは、クライアントサイドAI最適化のための最初のフレームワークに依存しないPythonパッケージである。 我々はまず,マルチステップエージェントパイプラインにおける高インパクト最適化レバーであるモデル選択について検討する。 指数関数的に増加する組み合わせ空間を効率的に探索するために、AgentOptは10の検索アルゴリズムを実装している。
  論文  参考訳（メタデータ） (2026-04-07T17:13:47Z)
• GA4GC: Greener Agent for Greener Code via Multi-Objective Configuration Optimization [3.3200397756832047]
  本稿では,プログラミングエージェントランタイム(グリーンエージェント)とコードパフォーマンス(グリーンコード)のトレードオフを体系的に最適化する最初のフレームワークであるGA4GCを紹介する。 SWE-Perfベンチマークの評価は、最大135倍のハイパーボリューム改善を示し、エージェントランタイムを37.7%削減し、正確性を向上した。
  論文  参考訳（メタデータ） (2025-10-05T10:34:30Z)
• Optimizing Travel Itineraries with AI Algorithms in a Microservices Architecture: Balancing Cost, Time, Preferences, and Sustainability [1.03590082373586]
  この研究の目的は、アーキテクチャにおけるAIアルゴリズムの実装が、コスト、時間、ユーザの好み、環境の持続可能性によって、旅行イテナリーをどのように強化するかである。 コスト予測とパーソナライゼーションの両方に機械学習モデル、イテレーションの最適化のための遺伝的アルゴリズム、持続可能性チェックのためのイテレーションを使用する。 実験の結果,1000人の同時ユーザに対して平均4.5秒の応答時間,92%のユーザの選好精度が確認された。
  論文  参考訳（メタデータ） (2024-10-23T15:15:56Z)
• Towards General and Efficient Online Tuning for Spark [55.30868031221838]
  本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。 我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
  論文  参考訳（メタデータ） (2023-09-05T02:16:45Z)

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。