Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
arxiv.orgohne Datum · Q000452

From Procedures to Permissions: Learning Precise Subagent Authorization from Agent Skills

arxiv.org · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vorliegende Text ist nur der Abstract-Auszug einer arXiv-Seite. Die Arbeit nutzt Verfahrenswissen aus Agent Skills, um Trainingsdaten für präzisere Werkzeug- und Arbeitsbereichsberechtigungen von Subagenten zu erzeugen; für einen genannten Benchmark meldet der Abstract Verbesserungen bei Berechtigungspräzision und Aufgabenerfolg, liefert hier aber keine näheren Versuchsdaten.

Mittel

Der vorliegende Bericht ist nur ein Auszug einer arXiv-Seite mit Abstract und bibliografischen Angaben, nicht der vollständige Artikel. Die Arbeit untersucht, wie sich Berechtigungen für delegierte Subagenten präziser bestimmen lassen. Die Autorinnen und Autoren halten fest, dass bestehende Systeme zwar Werkzeuge und Ausführungsumgebungen kontrollieren, aber den Ressourcenbedarf einzelner Teilaufgaben nicht direkt abbilden. Ergebnisse und Ausführungsverläufe allein böten zudem nur begrenzte Hinweise auf passende Berechtigungen.

Als Trainingsquelle nutzen sie Agent Skills, die beschreiben, welche Arbeitsschritte, Werkzeuge und Dateien benötigt werden. Aus diesen Skills werden Aufgaben und Abläufe erzeugt, in interaktiven Umgebungen durch Subagenten ausgeführt und anhand überprüfter Verläufe in Trainingsdaten überführt. Für Qwen3.5-35B-A3B meldet der Abstract auf ClawArena-Team Verbesserungen von 13,4 Prozentpunkten bei der Präzision von Werkzeugberechtigungen, 24,1 Punkten bei Arbeitsbereichsberechtigungen und 11,6 Punkten beim Gesamterfolg. Auf Terminal-Bench 2.1 und SkillsBench sei das Verfahren konkurrenzfähig. Weitere Versuchsdetails oder Unsicherheiten sind im Auszug nicht enthalten.

Ausführlich lesen

Der vorliegende Bericht ist ein Auszug aus einer arXiv-Seite: Er enthält bibliografische Angaben, den Abstract und den Einreichungsverlauf, aber nicht den vollständigen Artikel. Die Arbeit „From Procedures to Permissions: Learning Precise Subagent Authorization from Agent Skills“ behandelt die Frage, wie bei delegierten Aufgaben die Berechtigungen einzelner Subagenten genauer festgelegt werden können.

Die Autorinnen und Autoren argumentieren, dass bestehende Agentensysteme zwar Werkzeuge und Ausführungsumgebungen kontrollieren können, aber nicht unmittelbar angeben, welche Werkzeuge und Arbeitsbereichsressourcen für eine konkrete Teilaufgabe nötig sind. Außerdem reichten Aufgabenergebnisse und Ausführungsverläufe ihrer Einschätzung nach als alleinige Trainingssignale nur begrenzt aus, um angemessene Berechtigungen zu bestimmen.

Als zusätzliche Quelle für solche Entscheidungen schlagen sie „Agent Skills“ vor. Diese enthielten Verfahrenswissen darüber, welche Schritte, Werkzeuge und Dateien jeweils gebraucht werden. Der Abstract beschreibt, wie das Team aus solchen Skills Aufgaben und Schrittfolgen erzeugt, diese durch delegierte Subagenten in interaktiven Umgebungen ausführen lässt und überprüfte Ausführungsverläufe zu Trainingsdaten für Aufgabenbearbeitung und Autorisierung verarbeitet.

Für ClawArena-Team berichtet der Abstract bei Qwen3.5-35B-A3B von einer um 13,4 Prozentpunkte höheren Präzision bei Werkzeugberechtigungen und um 24,1 Prozentpunkte höherer Präzision bei Arbeitsbereichsberechtigungen. Der Gesamterfolg bei Aufgaben sei zugleich um 11,6 Prozentpunkte gestiegen. Auf Terminal-Bench 2.1 und SkillsBench sei das Verfahren laut Abstract mit bestehenden Ansätzen zur Synthese von Agentendaten konkurrenzfähig.

Die Ergebnisse stützen laut den Verfassenden die These, dass Verfahrenswissen aus Agent Skills eine zusätzliche Trainingsgrundlage für die präzise Koordination von Subagenten bieten kann. Der bereitgestellte Auszug enthält jedoch keine Details zu Versuchsaufbau, Vergleichsbedingungen, Unsicherheiten oder einzelnen Resultaten jenseits dieser knappen Angaben; solche Aussagen lassen sich daraus daher nicht beurteilen.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 22 %gleiches Oberthema, hilft nicht
    • Luna 26 %Hintergrund, keine Belege
    • JEV 33 %einzelne zitierbare Belege
    • amos 25 %nur am Rande erwähnt
    • SubQ 37 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 61 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 30 %beantwortet teilweise oder widerspricht
    • Luna 44 %einzelne zitierbare Belege
    • JEV 39 %beantwortet teilweise oder widerspricht
    • amos 25 %umfangreiche Belege
    • SubQ 27 %einzelne zitierbare Belege
    • drex 23 %einzelne zitierbare Belege
    • d3-ultra 28 %einzelne zitierbare Belege

  2. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 27 %Hintergrund, keine Belege
    • Luna 37 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 29 %Hintergrund, keine Belege
    • SubQ 42 %gleiches Oberthema, hilft nicht
    • drex 34 %gleiches Oberthema, hilft nicht
    • d3-ultra 62 %gleiches Oberthema, hilft nicht

Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 24 %einzelne zitierbare Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Frieden und Sicherheit
Offenlegung und Rechenschaft
Beteiligung und Gemeinwohl

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →