本記事は SelfCheckGPT: Zero-Resource Black-Box Hallucination Detection for Generative Large Language Models (arXiv:2303.08896) の解説記事です。 論文概要（Abstract） SelfCheckGPTは、外部知識ベースを必要とせずにLLMの幻覚（hallucination...

本記事は Judging LLM-as-a-Judge with MT-Bench and Chatbot Arena (arXiv:2306.05685) の解説記事です。 論文概要（Abstract） 本論文は、LLMを評価の判定器として使う「LLM-as-a-Judge」パラダイムの信頼性を体系的に検証した研究である。著者らは、多段階対話を評価するMT-Benchと、人間のペアワイ...

本記事は Benchmarking Large Language Models in Retrieval-Augmented Generation (arXiv:2312.10997) の解説記事です。 論文概要（Abstract） RGB（Retrieval-Augmented Generation Benchmark）は、RAGシステムに必要な4つの基本能力を体系的に評価するベンチマ...

本記事は RAGTruth: A Hallucination Corpus for Developing Trustworthy Retrieval-Augmented Language Models (ACL 2024) の解説記事です。 論文概要（Abstract） RAGTruthは、RAG（Retrieval-Augmented Generation）システムが生成する幻覚（ha...

本記事は RAGAS: Automated Evaluation of Retrieval Augmented Generation (arXiv:2309.01431) の解説記事です。 論文概要（Abstract） RAGASは、Retrieval-Augmented Generation（RAG）パイプラインを参照回答なし（reference-free）で自動評価するフレームワーク...

本記事は Code execution with MCP: building more efficient AI agents (Anthropic Engineering Blog) の解説記事です。 ブログ概要（Summary） Anthropicのエンジニアリングブログは、MCP（Model Context Protocol）を通じたツール連携におけるトークン消費の非効率性を指摘し...

本記事は Adaptive Orchestration: Cognitive Architectures in Multi-Agent AI Systems for Enterprise Applications (arXiv:2502.18082) の解説記事です。 論文概要（Abstract） 本論文は、エンタープライズ向けマルチエージェントAIシステムのための認知アーキテクチャ「A...

本記事は FlowBench: Evaluating LLM Agents Across Diverse Procedural Workflows (arXiv:2503.12347) の解説記事です。 論文概要（Abstract） FlowBenchは、LLMエージェントを4つのワークフロー型（Sequential、Conditional、Parallel、Recovery）で体系的に...

本記事は Tool-Augmented LLMs: A Survey on Integration Architectures and Failure Patterns (arXiv:2504.10376) の解説記事です。 論文概要（Abstract） 本論文は、ツール拡張LLM（Tool-Augmented LLMs）における統合アーキテクチャと障害パターンを体系的に整理したサーベイ...

本記事は MCP-Zero: Active Tool Discovery and Recommendation for LLM Agents (arXiv:2504.08999) の解説記事です。 論文概要（Abstract） MCP-Zero は、300以上のMCP（Model Context Protocol）ツールが存在する大規模環境において、LLMエージェントがタスクに必要なツー...