Shota Fujikawa, Takuya Tamura, Kosuke Akimoto, Daichi Haraguchi, Masafumi Oyamada · 2026 · arXiv
DOI: 10.48550/arXiv.2610.30014 · open-access PDF
LLM-Agenten mit ähnlichen Erfolgsraten können verschiedenen Aktionssequenzen folgen. Eine Agent Behavior Map stellt LLM-Harness-Kombinationen dar, die zentrierte Aktionslog-Wahrscheinlichkeiten auf gemeinsamen Referenzbahnen verwenden, ohne dass neue Umwelt-Rollouts vom Zielagent erforderlich sind. Wir ziehen Fehlergrenzen ab, die quadratische Koordinatenabstände auf die Bahn KL beziehen, unter ausdrücklichen Annahmen, und über acht kreuzscorierte Modelle verfolgen die Entfernungen die direkt gemessene Bahn KL in Rangordnung. Über 100 LLMs und vier Umgebungen unterstützen die ALFWorld-basierten Koordinaten die Leistungsvorhersage und identifizieren die
Machine translation (Meta M2M100); the English original follows.
LLM agents with similar success rates can follow different action sequences. An Agent Behavior Map represents LLM-harness combinations using centered action log-likelihoods on shared reference trajectories, without requiring new environment rollouts from the target agent. We derive error bounds relating squared coordinate distances to trajectory KL under explicit assumptions, and across eight cross-scored models the distances track the directly measured trajectory KL in rank order. Across 100 LLMs and four environments, ALFWorld-based coordinates support performance prediction and identify beh
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.30014, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange