論文の概要: CarryOn: Learning What to Keep in Context for Long-Horizon LLM Agents
- arxiv url: http://arxiv.org/abs/2611.17808v1
- Date: Fri, 13 Nov 2026 06:43:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.318098
- Title: CarryOn: Learning What to Keep in Context for Long-Horizon LLM Agents
- Title(参考訳): CarryOn: 長距離LDMエージェントのコンテキストを学習する
- Abstract要約: ロングホライゾンLSMエージェントは、ツールやアプリケーションを調整して複雑なマルチステップタスクを完了することができる。
既存の方法は、要約、プルーニング、履歴の選択を通じてコンテキストを減少させる。
我々は、コンパクトな実行状態と、きめ細かいソースリンクされた証拠とをペアリングする軽量なコンテキストマネージャであるCarryOnを提案する。
- 参考スコア(独自算出の注目度): 9.190184090435602
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Long-horizon LLM agents can coordinate tools and applications to complete complex, multi-step tasks. As their interaction histories grow, effective context management becomes essential for reliable and efficient execution. Existing methods reduce context through summarization, pruning, or history selection. However, shorter contexts do not necessarily support better decisions: summaries can omit exact details needed for later actions, while retaining entire interactions can carry substantial irrelevant information. We propose CarryOn, a lightweight context manager that pairs compact execution state with fine-grained, source-linked evidence. A learned selector and adaptive retention policy keep relevant evidence available without additional LLM calls for context management. We introduce two complementary evaluation metrics: $S_α$ prioritizes task success while accounting for resource use, and normalized cost per success (NCS) measures the resources spent per successful task. Across AppWorld, OfficeBench, and Tau2 Telecom with three LLM Actors, CarryOn achieves 75.7% macro-averaged task success, exceeding the strongest baseline by 6.7 percentage points. It also achieves the best average scores on both metrics.
- Abstract(参考訳): ロングホライゾンLSMエージェントは、ツールやアプリケーションを調整して複雑なマルチステップタスクを完了することができる。
インタラクション履歴が大きくなるにつれて、信頼性と効率的な実行には効果的なコンテキスト管理が不可欠になる。
既存の方法は、要約、プルーニング、履歴の選択を通じてコンテキストを減少させる。
要約は後続のアクションに必要な正確な詳細を省略でき、インタラクション全体を維持することは、相当な無関係な情報を運ぶことができる。
我々は、コンパクトな実行状態と、きめ細かいソースリンクされた証拠とをペアリングする軽量なコンテキストマネージャであるCarryOnを提案する。
学習したセレクタと適応的保持ポリシーは、文脈管理のための追加のLLMコールなしで、関連する証拠を利用できる。
S_α$は、リソース使用を勘定しながらタスク成功を優先し、NCS(正規化コスト/成功)はタスク成功に費やしたリソースを計測する。
AppWorld、OfficeBench、Tau2 Telecomの3つのLDMアクターで、CarryOnは75.7%のマクロ平均タスク成功を記録し、ベースラインを6.7%上回っている。
また、両方のメトリクスで最高の平均スコアを達成します。
関連論文リスト
- ContextPilot: Teaching Agents for Proactive Context Management via Fine-grained RL [30.70875568757697]
ロングホライゾンのエージェントタスクは、多ターンインタラクションをまたいだ分散情報を反復的に取得、統合、維持するために大きな言語モデルを必要とする。
近年のプロアクティブなコンテキスト管理手法では、モデルが独自の作業コンテキストを特別なツールで編集できるようになっている。
本稿では,長期エージェント推論のための能動的コンテキスト管理フレームワークであるContextPilotを紹介する。
論文 参考訳(メタデータ) (2026-08-28T16:01:08Z) - From Cross-Task Examples to In-Task Prompts: A Graph-Based Pseudo-Labeling Framework for In-context Learning [55.90498988440303]
In-context Learning (ICL) は、大きな言語モデルでパラメータを更新せずに新しいタスクを実行できる。
データラベリングのための言語モデルに依存するコスト効率のよい2段階パイプラインを提案する。
5つのタスクにまたがる実験により,ラベリングコストを下げながら,本手法が高い性能を達成することを示す。
論文 参考訳(メタデータ) (2025-10-28T15:37:51Z) - Scaling Long-Horizon LLM Agent via Context-Folding [46.685552398338295]
エージェントが作業コンテキストを積極的に管理することを可能にするフレームワークであるContext-Foldingを紹介します。
エージェントは、サブトラックに手続き的に分岐してサブタスクを処理し、完了時に折り畳み、結果の簡潔な要約を保持しながら中間ステップを崩壊させる。
論文 参考訳(メタデータ) (2025-10-13T22:00:58Z) - Beyond Manuals and Tasks: Instance-Level Context Learning for LLM Agents [22.620674535292068]
大規模言語モデル(LLM)エージェントは通常、インタラクションインターフェースとグローバルルールを定義する環境レベルのマニュアルと、特定の目標に関連するタスクレベルのガイダンスまたはデモの2つの種類のコンテキストを受信する。
我々は、複雑なタスクにおいて、LLMエージェントの障害発生源としてインスタンスレベルのコンテキストが欠如していることを論じる。
我々は、この問題をインスタンスレベルコンテキスト学習(ILCL)として定式化し、それを解決するためのタスクに依存しない方法を紹介します。
論文 参考訳(メタデータ) (2025-09-29T05:38:51Z) - Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。
実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。
以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
論文 参考訳(メタデータ) (2024-06-19T00:28:58Z) - AvaTaR: Optimizing LLM Agents for Tool Usage via Contrastive Reasoning [93.96463520716759]
大規模言語モデル(LLM)エージェントは、精度と幻覚を高めるために外部ツールと知識を活用する際、印象的な能力を示した。
本稿では、LLMエージェントを最適化して提供されたツールを効果的に活用し、与えられたタスクのパフォーマンスを向上させる新しい自動化フレームワークであるAvaTaRを紹介する。
論文 参考訳(メタデータ) (2024-06-17T04:20:02Z) - Sub-goal Distillation: A Method to Improve Small Language Agents [21.815417165548187]
大規模言語モデル(LLM)は対話型タスクにおけるエージェントとして大きな可能性を証明している。
数十億のパラメータを持つLLMの性能を、はるかに小さな言語モデルに転送する手法を提案する。
困難かつマルチタスクな対話型テキスト環境であるScienceWorldでは,基本動作のみに基づく標準的な模倣学習を16.7%超えている。
論文 参考訳(メタデータ) (2024-05-04T20:34:06Z) - ADaPT: As-Needed Decomposition and Planning with Language Models [131.063805299796]
As-Needed Decomposition and Planning for Complex Tasks (ADaPT)について紹介する。
ADaPTは、Large Language Modelsがそれらを実行できない場合、複雑なサブタスクを明示的に計画し、分解する。
以上の結果から,ADaPTは強いベースラインを確立した。
論文 参考訳(メタデータ) (2023-11-08T17:59:15Z)
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。