論文の概要: EvoX: Rethinking the Agent Harness as a Runtime Policy
- arxiv url: http://arxiv.org/abs/2611.15006v1
- Date: Wed, 11 Nov 2026 04:05:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.006764
- Title: EvoX: Rethinking the Agent Harness as a Runtime Policy
- Title(参考訳): EvoX: エージェントのハーネスをランタイムポリシとして再考
- Abstract要約: EvoXはRustベースのマルチモデルエージェントランタイムで、The Second Policyによってガイドされている。
モデル対応のガイダンスと3つの相補的なメカニズムによる決定論的ランタイム制御を組み合わせる。
EvoXは691の共通タスク-モデルペアに対して56.2%の最高成功率を達成した。
- 参考スコア(独自算出の注目度): 10.92784714025238
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language model (LLM) agents increasingly interact with tools and environments, yet plausible model decisions do not always translate into successful execution due to tool-call mismatches, interrupted workflows, and unsupported completion claims. We present EvoX, a Rust-based, multi-model agent runtime guided by The Second Policy, which views the harness as an Operational Policy complementing the foundation model's Semantic Policy. EvoX combines model-facing guidance with deterministic runtime control through three complementary mechanisms: Action Realization, Execution Continuity, and Outcome Grounding. To evaluate harnesses without suppressing their native behaviors, we introduce Contrast, a controlled and auditable framework integrating explicit fairness constraints, provider-bound request verification, and evidence-based adjudication. Across five benchmarks, six foundation models, and six agent harnesses, EvoX achieves the highest numerical success rate of 56.2% over 691 common task--model pairs, exceeding the average of the other five harnesses by approximately 3.0 percentage points. Its larger advantages on GLM-5.3 (+10.7 points) and Kimi K3 (+7.9 points) highlight the model-dependent effectiveness of harness design and the potential for cross-provider adaptability. Achieved without memory, evolution, or extensions, these results establish EvoX as a competitive multi-model agent runtime and underscore the importance of harness-level operational control in realizing foundation-model capabilities.
- Abstract(参考訳): 大規模言語モデル(LLM)エージェントは、ツールや環境との相互作用がますます高まっているが、ツールコールミスマッチ、中断されたワークフロー、未解決の完了要求などにより、妥当なモデル決定が常に実行に変換されるとは限らない。
The Second PolicyによってガイドされたRustベースのマルチモデルエージェントランタイムであるEvoXを紹介します。
EvoXは、アクション実現、実行継続、アウトカムグラウンドという3つの補完メカニズムを通じて、モデル対応のガイダンスと決定論的ランタイム制御を組み合わせる。
Contrastは、明示的な公正性制約、提供者による要求検証、エビデンスに基づく判断を統合した、制御および監査可能なフレームワークである。
5つのベンチマーク、6つの基礎モデル、6つのエージェントハーネスにおいて、EvoXは56.2%の56.2%の共通タスクモデルペアを達成し、他の5つのハーネスの平均を約3.0ポイント上回っている。
GLM-5.3(+10.7点)とKim K3(+7.9点)に対する大きな利点は、ハーネス設計のモデル依存の有効性と、クロスプロジェクタ適応性の可能性を強調している。
メモリ、進化、拡張なしに達成されたこれらの結果は、EvoXを競合するマルチモデルエージェントランタイムとして確立し、基礎モデル機能を実現する上でのハーネスレベルの操作制御の重要性を浮き彫りにしている。
関連論文リスト
- When Agents Fail: Model or Harness--Who's to Blame? [23.478579559973777]
LLMエージェントはモデルと実行ハーネスを組み合わせるため、エージェントベンチマークのパフォーマンスはその共同動作を反映する。
i)検証完了率(VCR)、正常にエージェントが正常に完了し、タスクの正しさに関わらず評価可能な結果を提供する方法、(ii)モデル・ハーネス・フィット、(ii)モデル・ハーネス・フィット、(iii)モデル・フィット、評価モデル間のハーネスの全体的な適合性、(iv)インタラクション・リシダル、ペアリング固有の実行強度と弱点をコンポーネントレベルの要約で隠蔽する手法、(v)トークン・ロード。
論文 参考訳(メタデータ) (2026-10-23T10:57:54Z) - Trial by Trace: Benchmarking AI Agent Harnesses for Reliability and Failure Attribution [12.689002752389735]
TraceTrial-Benchは、信頼性をコンテキスト、実行、ガバナンス、ライフサイクル、可観測性、ツール、検証の7つのコンポーネントにまとめます。
95のエキスパートレベル、メカニズム指向タスクを実行可能あるいは状態ベースで構築し、意味論的に等価な比較をサポートする。
4つのハーネス、9つのモデル、95のタスクにまたがって、3,420回のランニングでは、59.8%から72.0%までのマクロ平均ハーネススコアが得られ、31.1%のランニングは少なくとも1つのハーネス基準を満たさずにタスク成功を達成している。
論文 参考訳(メタデータ) (2026-10-23T07:43:26Z) - Self-Evolving Coding Agents via Harness-Policy Optimization [59.77935668723671]
Self-HPOは、ハーネスとポリシー最適化を代替するコーディングエージェントのための自己改善フレームワークである。
3つのコーディングベンチマークで、Self-HPOはハーネスのみとポリシーのみのベースラインを一貫して上回っている。
Self-HPOはまた、信頼性(Pass@1)を改善し、ベースエージェント上の機能フロンティア(Pass@k)を拡張する。
論文 参考訳(メタデータ) (2026-10-16T01:07:52Z) - Agent-Editing World Model: Rethinking World Modeling for LLM Agents [109.62118155342641]
推論と行動が今後のタスク進捗を形作る方法をモデル化したtextbfAgent-Editing World Model (AEWM) を提案する。
私たちは、中級のトレーニングと教師ありの微調整を通じて、検索、ターミナル、ソフトウェアエンジニアリングでAEWMを訓練します。
6つのベンチマークと3つのエージェントバックボーンで、EditActは最強のベースラインで平均スコアを3.2~6.7ポイント改善する。
論文 参考訳(メタデータ) (2026-09-23T17:18:26Z) - Grow the Harness, Not the Context: From Strategy-Free Scaffolds to Reusable Specialist Agents [40.22528682803753]
大きな言語モデル(LLM)エージェントは、しばしば関連するタスクのストリームを処理するが、標準的なハーネスは、各タスクのコンテキスト内で同じ制御決定を再構築するようモデルに繰り返し要求する。
タスク固有のセマンティック推論のためのLCMコールを保存しながら、繰り返し制御を再利用可能なコードに変換することができるかどうかを検討する。
我々は,障害誘導型トレーニングパラダイムであるGrowing Harnessを紹介し,エージェント自身を戦略のない足場から学習する。
論文 参考訳(メタデータ) (2026-09-22T17:40:45Z) - Embodied Agents Take Control: Minimal-Interface Zero-Shot Agents Rival Industrial-Scale Policies in Vision-and-Language Navigation [27.261164150282706]
汎用エージェントがループを単独で維持できることがわかった。
我々は、この組織をエージェント・エンボディド・コントロールと呼びます。
より長い地平線、レイテンシ、コンテキスト成長は、持続的な自律性の障壁であり続けているが、これらの結果は、汎用モデルがナビゲーションポリシーなしで既に競争力のある実施制御を達成可能であることを示している。
論文 参考訳(メタデータ) (2026-07-28T18:00:34Z) - GRPO-VPS: Enhancing Group Relative Policy Optimization with Verifiable Process Supervision for Effective Reasoning [48.32628338889922]
グループ相対政策最適化は中間段階の無差別な信用割当に苦しむ。
モデルフリーで検証可能なプロセス監視を,モデルが正しい回答を信じているかどうかを判断することによって導入する。
このアプローチにより、よりターゲット的でサンプル効率の良いポリシー更新が可能になる。
論文 参考訳(メタデータ) (2026-04-22T15:08:58Z) - Towards a Science of Scaling Agent Systems [79.64446272302287]
エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。
協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。
ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
論文 参考訳(メタデータ) (2025-12-09T06:52:21Z) - Structured Uncertainty guided Clarification for LLM Agents [126.26213027785813]
LLMエージェントは、ツールコール機能を備えた大きな言語モデルを拡張するが、曖昧なユーザ命令は、しばしば誤った呼び出しやタスクの失敗につながる。
本稿では,ツールコールパラメータに対する構造的不確かさの定式化,完全情報の期待値(EVPI)を目標としたPOMDPのモデル化,冗長性防止のためのアスペクトベースコストモデルを提案する。
我々のSAGE-Agentは、この構造化された不確実性を活用し、より優れた効率を達成するために、曖昧なタスクのカバレッジを7~39%増加させ、明確な質問を1.5~2.7$times$に減らした。
論文 参考訳(メタデータ) (2025-11-11T21:50:44Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳(メタデータ) (2025-08-07T17:54:15Z)
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。